From priors to performance: enhancing statistical efficiency with Bayesian dynamic borrowing
从先验到表现：以贝叶斯动态借用提高统计效率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。
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：摘要明确将平均处理效应估计列为动态借用的实践任务，其他内容主要属于通用贝叶斯方法。
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…
从先验到表现：以贝叶斯动态借用提高统计效率
- 研究问题
- 如何将专家知识和多个历史数据集融入贝叶斯分析，并为动态借用方法在模型选择、平均处理效应估计及先验敏感性分析中提供指引？
- 方法与思路
- 作者综述常见外部数据动态借用方法，介绍多历史数据集的整合，并使用公开软件展示相关统计任务的实际实施。
- 材料陈述的贡献
- 摘要明确贡献是方法综述与实践教程，涵盖外部信息整合及敏感性分析，并称配套代码已在 GitHub 仓库公开。
- 阅读关注点
- 应核对历史与当前数据的可比性、借用程度如何随冲突调整，以及处理效应示例的识别条件和先验敏感性分析设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未提供效率改善的具体证据，公开代码的内容与可运行性未经核验。
原文摘要
One of the main advantages of the Bayesian approach to statistical inference is the flexibility in incorporating information from various sources, from expert opinion to historical data. Whereas the literature on Bayesian dynamic borrowing is rich, practical guidance for how to implement such methods is comparatively sparse. We thoroughly review the most common dynamic borrowing approaches for external data, including how to incorporate multiple historical data sets. We then show how these techniques can be used in practice, using publicly available software, to perform important statistical tasks such as model selection, average treatment effect estimation and prior sensitivity analysis. The aim is to make analysts more confident in their use of Bayesian methods to incorporate external data. All code is made publicly available in a companion GitHub repository (https://github.com/EzequielEBS/hdbayes-tutorial).