- 5 次围观
在连续结局的Meta分析中，样本均值和标准差（SD）是整合不同研究效应量所必需的。然而，临床研究常常报告其他汇总统计量，如中位数、四分位数和极差。为使这类研究能够被纳入，已有多种方法被提出，用于根据这些已报告的统计量估计样本均值和标准差。我们提出了基于贝叶斯次序统计量的估计方法（Bayesian Order Statistics-based Estimator, BOSE），该方法结合观测次序统计量的联合似然以及弱信息先验，在不依赖马尔可夫链蒙特卡罗算法等计算代价较高的迭代程序的情况下，获得均值和标准差的完整后验分布。 我们的数值研究表明，在均值估计方面，BOSE与现有方法相比具有竞争力；而在标准差估计方面，BOSE在所有评估情形下均表现更优，尤其是在小样本情境中优势更为明显。在包括偏态、重尾和双峰在内的非正态分布情形下，只要其对正态性的偏离为轻度或中度，BOSE依然保持稳健且稳定；相比之下，那些专为偏态分布设计的方法则可能变得不稳定，甚至无法适用。除点估计外，BOSE还能够自然地提供经过经验验证的后验可信区间，使研究者能够对研究层面的估计值进行正式的不确定性量化，并在Meta分析研究综合中作出可靠的、基于证据的决策。我们还提供了一个可公开访问的网络应用程序，用于实现BOSE及其竞争方法，以促进其在Meta分析研究中的实际应用。
在连续性结局的Meta分析中，样本均值和标准差（SD）是整合跨研究效应量的关键统计量。然而，临床研究常常报告其他摘要统计量，如中位数、四分位数和极差。为使此类研究能够被纳入分析，已有多种方法被提出，用于从这些报告的摘要统计量中估计样本均值和SD。我们提出了基于贝叶斯顺序统计量的估计方法（Bayesian Order Statistics-based Estimator, BOSE），该方法利用观测顺序统计量的联合似然，并结合弱信息先验，在不依赖马尔可夫链蒙特卡罗算法等计算成本较高的迭代程序的情况下，获得均值和SD的完整后验分布。我们的数值研究表明，BOSE在均值估计方面与现有方法相比具有竞争力；而在SD估计方面，BOSE在所有评估情景下均表现更优，尤其是在小样本情形中优势更为明显。在包括偏态、重尾和双峰分布在内的非正态分布情形下，只要其对正态性的偏离为轻度或中度，BOSE仍然表现出良好的稳健性和稳定性；相比之下，某些专为偏态分布设计的方法则可能出现不稳定，甚至无法适用。除点估计外，BOSE还可自然地提供经过经验验证的后验可信区间，使研究者能够对研究层面的估计值进行正式的不确定性量化，并在Meta分析研究综合中作出可靠的、基于证据的决策。我们还提供了一个公开可访问的网络应用程序，用于实现BOSE及其竞争方法，以促进其在Meta分析研究中的实际应用。
作者声明不存在竞争性利益关系。
感谢您有兴趣帮助传播bioRxiv上的研究成果。
注意：要求提供您的电子邮箱地址，仅用于将您识别为本文的发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.26.734829v1?rss=1
🏷️ Meta分析 贝叶斯方法 顺序统计量 均值标准差估计 后验可信区间