Hierarchical Selection Models with Applications in Meta-Analysis
层级选择模型及其在元分析中的应用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。
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：摘要研究元分析中的层级选择与敏感性分析，未直接对应所列离散选择或因果推断等方向。
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
层级选择模型及其在元分析中的应用
- 研究问题
- 在元分析中，如何同时刻画研究内外的变异与研究被非随机选择的机制，并评估未观测研究对结论的影响？
- 方法与思路
- 作者将层级模型与选择权重函数结合，用MCMC估计已知或未知权重模型，再结合数据增广开展未观测研究敏感性分析。
- 材料陈述的贡献
- 摘要称提出适用于元分析的层级选择模型，并区分对已观测研究选择偏差的建模与直接考察未观测研究影响。
- 阅读关注点
- 应核对未知权重函数的可识别性、层级模型的设定，以及数据增广敏感性分析对未观测研究所作的假设。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要，权重函数、先验与敏感性设置未说明；引入选择模型并不自动消除研究选择偏差。
原文摘要
Hierarchical selection models are introduced and shown to be useful in meta-analysis. These models combine the use of hierarchical models, allowing investigation of variability both within and between studies, and weight functions, allowing modeling of nonrandomly selected studies. Markov chain Monte Carlo (MCMC) methods are used to estimate the hierarchical selection model. This is first illustrated for known weight functions, and then extended to allow for estimation of unknown weight functions. To investigate sensitivity of results to unobserved studies directly, which is shown to be different from modeling bias in the selection of observed studies, the hierarchical selection model is used in conjunction with data augmentation. Again, MCMC methods may be used to estimate the model. This is illustrated for an unknown weight function.