Bayesian hierarchical models with calibrated mixtures of g-priors for assessing treatment effect moderation in meta-analysis
以校准的 g 先验混合层级模型估计荟萃分析中的处理效应调节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：摘要直接研究随机试验数据中的处理效应调节与异质性，因此归入因果推断。
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
以校准的 g 先验混合层级模型估计荟萃分析中的处理效应调节
- 研究问题
- 个体参与者数据荟萃分析存在较高试验间异质性时，如何估计处理效应调节因素，并改善贝叶斯收缩估计的效率与风险？
- 方法与思路
- 作者在层级模型中引入校准的 g 先验混合，结合试验样本量调节函数与调节变量层面的收缩参数，允许不同程度的收缩。
- 材料陈述的贡献
- 摘要称，该方法在多种模拟情境中改善效率与风险指标，并用四项随机试验的数据分析抑郁症两种主动治疗的效应调节因素。
- 阅读关注点
- 应核对校准函数与先验设定、试验间异质性的处理，以及效率和风险指标的定义、比较方法及调节效应的解释。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出具体模型条件或改善幅度，模拟结论不能直接普遍化。
原文摘要
Assessing treatment effect moderation is critical in biomedical research and many other fields, as it guides personalized intervention strategies to improve participant's outcomes. Individual participant-level data meta-analysis (IPD-MA) offers a robust framework for such assessments by leveraging data from multiple trials. However, its performance is often compromised by challenges such as high between-trial variability. Traditional Bayesian shrinkage methods have gained popularity, but are less suitable in this context, as their priors do not discern heterogeneous studies. In this paper, we propose the calibrated mixtures of g-priors methods in IPD-MA to enhance efficiency and reduce risk in the estimation of moderation effects. Our approach incorporates a trial-level sample size tuning function, and a moderator-level shrinkage parameter in the prior, offering a flexible spectrum of shrinkage levels that enables practitioners to evaluate moderator importance, from conservative to optimistic perspectives. Compared with existing Bayesian shrinkage methods, our extensive simulation studies demonstrate that the calibrated mixtures of g-priors exhibit superior performances in terms of efficiency and risk metrics, particularly under high between-trial variability, high model sparsity, weak moderation effects and correlated design matrices. We further illustrate their application in assessing effect moderators of two active treatments for major depressive disorder, using IPD from four randomized controlled trials.