Empirical prior distributions for treatment-by-subgroup interaction heterogeneity in random-effects meta-analysis
随机效应元分析中治疗与亚组交互异质性的经验先验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：摘要重点是随机效应元分析的异质性先验校准，未说明所列细分中的因果识别或其他专门模型。
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…
随机效应元分析中治疗与亚组交互异质性的经验先验
- 研究问题
- 当可用研究较少、试验内交互估计精度较低时，如何为治疗与亚组交互效应的研究间异质性构造合适先验，支持亚组分析？
- 方法与思路
- 作者利用 Cochrane 系统综述中的三千余项交互元分析，按效应度量推导总体与交互异质性的经验预测先验，并展示案例。
- 材料陈述的贡献
- 摘要称，交互异质性通常小于总体治疗效应异质性，且更难识别；针对交互校准的先验在示例中可改善元分析精度。
- 阅读关注点
- 应核对交互元分析的筛选与依赖结构、不同效应度量的先验构造，以及经验先验迁移至新疾病或少量研究时的适用性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出先验参数、校准细节或改善幅度，精度提升不等于结论更可靠。
原文摘要
Subgroup analyses are central to the assessment of benefits and risks, where recommendations may depend on evidence that treatment effects differ across patient groups. Valid subgroup claims require evidence based on (within-trial) interaction estimates while accounting for the heterogeneity in those interaction effects. In the common case of only a few available studies, inference may benefit from the use of prior information on the expected amount of heterogeneity. Although between-study heterogeneity~($τ$) has been studied empirically for overall treatment effects, no such calibration exists for treatment-by-subgroup interaction effects. We derive empirical (predictive) prior distributions for overall and interaction effect heterogeneity from over 3{,}000 interaction meta-analyses drawn from the \emph{Cochrane Database of Systematic Reviews (CDSR)}. The resulting effect-measure-specific priors indicate that interaction heterogeneity tends to be substantially smaller than treatment effect heterogeneity. We also show that lower precision of within-trial interaction estimates makes interaction heterogeneity harder to identify. Therefore, the use of empirical priors is particularly valuable in sparse interaction meta-analyses. A motivating example illustrates how priors tailored to interaction effects may substantially improve precision in a meta-analysis compared with standard heterogeneity priors.