Prior Effective Sample Size When Borrowing on the Treatment Effect Scale
在治疗效应尺度借用外部信息时的先验有效样本量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：摘要重点是贝叶斯先验信息量的定义与计算，未明确讨论因果识别或其他所列细分方向，故保留空分类。
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…
在治疗效应尺度借用外部信息时的先验有效样本量
- 研究问题
- 当贝叶斯分析在治疗效应尺度上借用外部信息，而非仅借用对照组信息时，如何量化先验所包含的有效样本量？
- 方法与思路
- 作者扩展 ELIR 有效样本量定义，建立一般框架，推导不同终点和治疗效应度量下的先验有效样本量，并考察后验与预测一致性。
- 材料陈述的贡献
- 摘要称，该研究补充了治疗效应尺度上的先验信息度量方法，覆盖多种终点与效应度量，并提供可在 GitHub 获取的 R 程序。
- 阅读关注点
- 应核对扩展定义与原 ELIR 的关系、不同效应尺度之间的转换、预测一致性的成立条件，以及外部信息冲突时的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出具体终点、有效样本量公式或信息冲突下的性质，代码未核验。
原文摘要
With the robust uptick in the applications of Bayesian external data borrowing, eliciting a prior distribution with the proper amount of information becomes increasingly critical. The prior effective sample size (ESS) is an intuitive and efficient measure for this purpose. The majority of ESS definitions have been proposed in the context of borrowing control information. While many Bayesian models can be naturally extended to leveraging external information on the treatment effect scale, very little attention has been directed to computing the prior ESS in this setting. In this research, we bridge this methodological gap by extending the popular ELIR ESS definition. We lay out the general framework, and derive the prior ESS for various types of endpoints and treatment effect measures. The posterior distribution and the predictive consistency property of ESS are also examined. The methods are implemented in R programs available on GitHub: https://github.com/squallteo/TrtEffESS.