Hidden in Plain Sight: How Non-Collapsibility Biases Treatment Effects in (Network) Meta-Analysis
隐藏在眼前：不可折叠性如何使网络元分析的处理效应产生偏差AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕干预处理效应的目标与汇总偏差展开，归入因果推断；此处网络指干预比较关系，未涉及个体间干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
隐藏在眼前：不可折叠性如何使网络元分析的处理效应产生偏差
- 研究问题
- 研究间基线风险和人群混合比例不同时，不可折叠的效应指标是否会使标准网络元分析偏离目标处理效应？
- 方法与思路
- 作者用二元结果的优势比示例分析不可折叠性，并提出以极端基线风险研究识别两类人群的两端参照建模方法。
- 材料陈述的贡献
- 摘要称，即使效应修饰变量分布没有差异，基线风险不同也可导致所示模型估计向零偏，并给出实践判断建议。
- 阅读关注点
- 应核对偏差对应的条件或边际效应目标、共同效应假设，以及两类同质人群的识别和混合权重如何获得。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出新方法的完整识别及验证结果，示例结论不宜泛化到所有指标。
原文摘要
Network meta-analysis (NMA) is widely used to compare multiple interventions simultaneously by synthesizing direct and indirect evidence. The general fixed or random effects contrast-based NMA model can be applied to different outcomes and data structures by opting for either an arm-based or contrast-based likelihood depending on the data available. Depending on the outcome and link-function, we estimate either collapsible or non-collapsible effect measures. Using an illustrative example involving binary outcomes and the non-collapsible odds ratio, we demonstrate that the standard NMA model produces estimates for non-collapsible effect measures that are biased toward the null when studies in the evidence base enroll heterogeneous populations (mixtures of distinct risk groups) that vary across studies. Importantly, this also holds when there are no differences in effect-modifiers across studies; the standard assumption of a common treatment effect when there are no differences in the distribution of effect-modifiers across studies is not appropriate when studies have different baseline risks. As a potential solution, we propose a ``bookend'' approach that explicitly models mixed-population studies as weighted combinations of two homogeneous subpopulations identified from studies with extreme baseline risks and provide guidance for practitioners to determine if bias due to non-collapsibility may be a concern.