Comparison of Bayesian methods for extrapolation of treatment effects: a large scale simulation study
处理效应外推的贝叶斯方法比较：大规模模拟研究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：摘要直接讨论跨研究借用和外推临床处理效应，因此对应因果效应分析，但未明确提出新的识别设计。
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…
处理效应外推的贝叶斯方法比较：大规模模拟研究
- 研究问题
- 在临床试验样本难以充足时，借用相关研究的处理效应信息有哪些收益和局限，不同贝叶斯方法的频率学性质如何？
- 方法与思路
- 作者开展大规模模拟，比较处理效应借用方法的成功概率、均方误差、偏差、精度与可信区间覆盖率，聚焦确证性试验。
- 材料陈述的贡献
- 摘要称，条件幂先验和稳健混合先验总体表现较好，先检验后合并及基于 p 值的幂先验表现欠佳，并总结各方法的局限。
- 阅读关注点
- 核对研究间效应一致或冲突的情景、先验强度及成功标准，并检查覆盖率、偏差与精度之间的权衡和比较公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明模拟情景和效应可迁移条件，不能将总体比较当成普遍排序。
原文摘要
Extrapolating treatment effects from related studies is a promising strategy for designing and analyzing clinical trials in situations where achieving an adequate sample size is challenging. Bayesian methods are well-suited for this purpose, as they enable the synthesis of prior information through the use of prior distributions. While the operating characteristics of Bayesian approaches for borrowing data from control arms have been extensively studied, methods that borrow treatment effects -- quantities derived from the comparison between two arms -- remain less well understood. In this paper, we present the findings of an extensive simulation study designed to address this gap. We evaluate the frequentist operating characteristics of these methods, including the probability of success, mean squared error, bias, precision, and credible interval coverage. Our results provide insights into the strengths and limitations of existing methods in the context of confirmatory trials. In particular, we show that the Conditional Power Prior and the Robust Mixture Prior perform better overall, while the test-then-pool variants and the p-value-based power prior display suboptimal performance.