On the relative efficiency of using summary statistics versus individual-level data in meta-analysis
元分析中汇总统计量与个体数据的相对效率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。
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：摘要研究元分析的一般效率比较，未直接涉及所列领域细分。
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…
元分析中汇总统计量与个体数据的相对效率
- 研究问题
- 综合多个研究时，直接分析个体数据相较合并汇总统计量，何时能够提高渐近效率，何时两种信息使用方式效率相同？
- 方法与思路
- 作者分析常用参数与半参数模型，区分目标参数和干扰参数在研究间是否共享，并以模拟及遗传关联研究进行比较。
- 材料陈述的贡献
- 摘要称目标参数共同、干扰参数各异且汇总量基于极大似然时，个体数据分析没有渐近效率增益；另考察其他参数共享结构。
- 阅读关注点
- 应核对“所有常用模型”的具体范围、所需汇总统计量及其构造，以及目标参数异质或干扰参数共享时的效率结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；无效率增益结论依赖所述条件，不能推广至任意汇总量、有限样本或模型误设情形。
原文摘要
Meta-analysis is widely used to synthesize the results of multiple studies. Although meta-analysis is traditionally carried out by combining the summary statistics of relevant studies, advances in technologies and communications have made it increasingly feasible to access the original data on individual participants. In the present paper, we investigate the relative efficiency of analyzing original data versus combining summary statistics. We show that, for all commonly used parametric and semiparametric models, there is no asymptotic efficiency gain by analyzing original data if the parameter of main interest has a common value across studies, the nuisance parameters have distinct values among studies, and the summary statistics are based on maximum likelihood. We also assess the relative efficiency of the two methods when the parameter of main interest has different values among studies or when there are common nuisance parameters across studies. We conduct simulation studies to confirm the theoretical results and provide empirical comparisons from a genetic association study.