Практичні аспекти Байєсівського багатовимірного мета-аналізу
DOI:
https://doi.org/10.24027/2306-7039.4.2022.276300Ключові слова:
багатовимірний мета-аналіз; багатовимірна модель випадкових ефектів; алгоритм Метрополіса-Гастінгса; рангове зображення; оцінка split-hatRАнотація
При обробці результатів фізичних, хімічних або медико-біологічних експериментів часто доводиться об’єднувати багатовимірні результати декількох досліджень. У цьому випадку кожне окреме дослідження виконує вимірювання кількох характеристик одночасно, і, таким чином, його результат складається з кількох виміряних значень, які повідомляються разом із коваріаційною матрицею між ними. Ця матриця надає інформацію не лише про невизначеності вимірювання, але й представляє структуру залежності між обчисленими значеннями. Тому застосування однофакторного мета-аналізу для кожної виміряної характеристики окремо призводить до втрати інформації, пов’язаної зі структурою залежності результатів вимірювання. Обґрунтовано можливість усунення цього недоліку на основі багатовимірного мета-аналізу, у рамках якого застосовується багатофакторна модель випадкових ефектів та Байєсівські методи. Обговорюються процедури Байєсівського аналізу, отримані для багатовимірної моделі випадкових ефектів, коли параметри моделі наділені двома неінформативними пріорами: пріором Бергера-Бернардо та пріором Джеффріса. Представлено два алгоритми Метрополіса-Гастінгса для генерації вибірок з апостеріорного розподілу, та проаналізовано їхні властивості збіжності за допомогою нумеричних методів. Наведено висновки щодо властивостей конвергенції побудованих ланцюгів Маркова, які були досліджені за допомогою нумеричних методів.
Посилання
Turner R.M., Jackson D., Wei Y., Thompson S.G., Higgins J. Predictive distributions for between-study heterogeneity and simple methods for their application in Bayesian meta-analysis. Statistics in Medicine, 2015, vol. 34, pp. 984–998. doi: https://doi.org/10.1002/sim.6381
Bodnar O., Link A., Arendacká B., Possolo A., Elster C. Bayesian estimation in random effects meta-analysis using a non-informative prior. Statistics in Medicine, 2017, vol. 36, pp. 378–399. doi: https://doi.org/10.1002/sim.7156
Bodnar O., Link A., Elster C. Objective Bayesian Inference for a Generalized Marginal Random Effects Model. Bayesian Analysis, 2016, vol. 11, pp. 25–45.
Bodnar O., Eriksson V. Bayesian model selection: Application to adjustment of fundamental physical constants. Available at: arXiv:2104.01977v1. doi: https://doi.org/10.48550/arXiv.2104.01977
Jackson D., White I.R., Thompson S.G. Extending DerSimonian and Laird’s methodology to perform multivariate random effects meta-analyses. Statistics in Medicine, 2010, vol. 29(12), pp. 1282–1297. doi: https://doi.org/10.1002/sim.3602
Chen H., Manning A.K., Dupuis J. A method of moments estimator for random effect multivariate meta-analysis. Biometrics, 2012, vol. 68(4), pp. 1278–1284. doi: https://doi.org/10.1111/j.1541-0420.2012.01761.x
Jackson D., White I.R., Riley R.D. A matrix-based method of moments for fitting the multivariate random effects model for meta-analysis and meta-regression. Biometrical Journal, 2013, vol. 55(2), pp. 231–245. doi: https://doi.org/10.1002/bimj.201200152
Paul M., Riebler A., Bachmann L., Rue H., Held L. Bayesian bivariate meta-analysis of diagnostic test studies using integrated nested Laplace approximations. Statistics in Medicine, 2010, vol. 29(12), pp. 1325–1339. doi: https://doi.org/10.1002/sim.3858
Bodnar O., Bodnar T. Objective Bayesian meta-analysis based on generalized multivariate random effects model. Available at: arXiv:2104.02105v1. doi: https://doi.org/10.48550/arXiv.2104.02105
Bodnar O., Bodnar T., Thorsén E. BayesMultMeta: Bayesian Multivariate Meta-Analysis. R Package Version 0.1.0. Available at: https://cran.r-project.org/web/packages/BayesMultMeta/BayesMultMeta.pdf
Vehtari A., Gelman A., Simpson D., Carpenter B., Bürkner P.-C. Rank-Normalization, Folding, and Localization: An Improved for Assessing Convergence of MCMC (with Discussion). Bayesian Analysis, 2021, vol. 16(2), pp. 667–718. doi: https://doi.org/10.1214/20-BA1221
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
ПОЛІТИКА, ЯКА РЕКОМЕНДУЄТЬСЯ ЖУРНАЛАМ, ЩО ПРОПОНУЮТЬ ВІДКРИТИЙ ДОСТУП З ЗАТРИМКОЮ
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи, яка через 12 місяців з дати публікації автоматично стає доступною на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
