网络Meta分析研究进展系列(十九):基于外部证据确立贝叶斯网络Meta分析异质性的先验信息

本文围绕医学研究证据整合领域异质性问题,介绍了异质性先验分布类型、使用外部证据确立异质性先验信息的普适的经验,进一步聚焦于异质性的方差-协方差矩阵讲述了异质性估计常用的四种模型。期望帮助读者掌握如何使用外部经验数据作为异质性方差的先验信息,得到更稳健的网络Meta分析估计。

BOP2试验设计方法的先验敏感性分析研究

目的BOP2设计(贝叶斯最优II期设计)是在一个统一框架下可以处理复杂终点临床试验的设计方法,因其良好的统计性能、易于实践等优势,已在临床试验中得到广泛应用。和一般贝叶斯方法一样,模型未知参数的先验分布设置十分关键。本文旨在研究BOP2设计对先验选取的敏感性以及先验选择的一般规律。方法通过计算机模拟研究比较BOP2设计在不同无信息先验、乐观先验和保守先验下的统计表现。结果基于模拟结果,发现部分无信息先验以及保守先验,在不同场景下BOP2设计均有良好的统计性能,而乐观先验易引起一类错误率膨胀,仅当乐观先验与实际疗效相一致时,其统计性能良好。结论保守先验下BOP2设计的表现最稳健。若研究者对试验药物疗效持有相当积极乐观的态度,可以谨慎地选择乐观先验。

基于贝叶斯法估计杉木人工林树高生长模型

以江西杉木密度试验林为例,分别基于贝叶斯法和传统法(非线性最小二乘法)估计杉木人工林树高生长模型,并在贝叶斯法中考虑无信息先验分布和有信息先验分布。结果表明:利用贝叶斯法估计杉木人工林树高生长模型,预测值的可靠性比传统法好,而且基于有信息先验分布估计杉木人工林树高生长模型要略好于无信息先验分布。这是因为利用生长模型预测杉木人工林树高生长存在着一定的不确定性,使得利用传统的估计方法分析杉木人工林生长模型稳定性比较低,可靠性也相对较差。贝叶斯法综合利用了先验信息和样本信息,而传统法仅利用了样本信息,而且贝叶斯法把模型参数看作是随机变量,更能反映杉木人工林树高生长的本质,预测杉木人工林树高的可靠性更好,而传统法把模型参数看作固定值。研究结果为杉木人工林生长模型的估计提供一种新的思路。

超零左截尾数据的Bayesian零膨胀截断对数正态模型估计

目的探索应用Bayesian零膨胀截断对数正态混合模型分析超零左截尾数据的估计效果,以及有信息先验的应用对估计的改善。方法通过模拟研究考察有信息先验的应用与无信息先验下Bayesian非标准混合模型的估计效果比较,并将方法应用于暴露评估实际资料的分析。结果结合有信息先验的混合模型估计与无信息先验的模型估计相比,估计有明显的改善;尤其是真零概率的先验影响明显。结论Bayesian零膨胀截断对数正态混合模型是处理超零左截尾数据灵活的统计方法,考虑来自外部信息的有信息先验是提高估计精度的有效策略。