Eliciting prior information from clinical trials via calibrated Bayes factor
通过校准贝叶斯因子提取临床试验的先验信息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：摘要聚焦临床试验中的贝叶斯先验与历史信息借用，未提供足以对应所列领域细分的专门方法证据。
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…
通过校准贝叶斯因子提取临床试验的先验信息
- 研究问题
- 临床试验借用历史数据时，如何为幂先验的信息权重指定先验分布，使历史证据在一致时得到利用、在冲突时受到限制？
- 方法与思路
- 作者提出基于模拟的校准贝叶斯因子程序，为历史信息权重构建先验分布，并根据数据证据更新，通过模拟及临床试验数据评估。
- 材料陈述的贡献
- 摘要提出一种权重先验的确定方法，旨在协调历史与当前信息，减少先验与数据冲突时的过度借用；具体性能结果未在摘要中给出。
- 阅读关注点
- 应核对贝叶斯因子的校准目标、权重先验如何更新、历史与当前样本的可比性，以及模拟如何评价偏差、不确定性和信息冲突。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明校准规则、适用条件及具体效果，不能判断是否避免历史信息主导推断。
原文摘要
In the Bayesian framework power prior distributions are increasingly adopted in clinical trials and similar studies to incorporate external and past information, typically to inform the parameter associated to a treatment effect. Their use is particularly effective in scenarios with small sample sizes and where robust prior information is actually available. A crucial component of this methodology is represented by its weight parameter, which controls the volume of historical information incorporated into the current analysis. This parameter can be considered as either fixed or random. Although various strategies exist for its determination, eliciting the prior distribution of the weight parameter according to a full Bayesian approach remains a challenge. In general, this parameter should be carefully selected to accurately reflect the available prior information without dominating the posterior inferential conclusions. To this aim, we propose a novel method for eliciting the prior distribution of the weight parameter through a simulation-based calibrated Bayes factor procedure. This approach allows for the prior distribution to be updated based on the strength of evidence provided by the data: The goal is to facilitate the integration of historical data when it aligns with current information and to limit it when discrepancies arise in terms, for instance, of prior-data conflicts. The performance of the proposed method is tested through simulation studies and applied to real data from clinical trials.