Efficient Integration of Aggregate Data and Individual Patient Data in One-Way Mixed Models
单向混合模型中汇总数据与个体患者数据的高效整合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：摘要重点是广义线性混合模型中的元分析数据整合与效率，未明确展开所列因果、面板或结构估计方向的专门问题。
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
单向混合模型中汇总数据与个体患者数据的高效整合
- 研究问题
- 在研究间处理效应固定且共同的设定下，如何整合汇总数据与个体患者数据，并判断获取个体数据是否带来效率收益？
- 方法与思路
- 作者在指数族响应与广义线性模型框架中合并试验处理效应，比较不同数据组合的效率，并提出汇总研究选择程序。
- 材料陈述的贡献
- 摘要称，在满足特定设计约束时，汇总数据估计可与个体数据估计相同，并据此讨论保持合并估计效率的数据选择。
- 阅读关注点
- 应核对共同处理效应假设、汇总数据所需统计量，以及两类估计相同的设计约束和选择程序的效率保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出具体设计约束，也未说明处理效应异质时的适用性。
原文摘要
Often both Aggregate Data (AD) studies and Individual Patient Data (IPD) studies are available for specific treatments. Combining these two sources of data could improve the overall meta-analytic estimates of treatment effects. Moreover, often for some studies with AD, the associated IPD maybe available, albeit at some extra effort or cost to the analyst. We propose a method for combining treatment effects across trials when the response is from the exponential family of distribution and hence a generalized linear model structure can be used. We consider the case when treatment effects are fixed and common across studies. Using the proposed combination method, we evaluate the wisdom of choosing AD when IPD is available by studying the relative efficiency of analyzing all IPD studies versus combining various percentages of AD and IPD studies. For many different models design constraints under which the AD estimators are the IPD estimators, and hence fully efficient, are known. For such models we advocate a selection procedure that chooses AD studies over IPD studies in a manner that force least departure from design constraints and hence ensures a fully efficient combined AD and IPD estimator.