那么，如何将贝叶斯估计包括在荟萃分析中呢？

受此问题启发，尤其是“问题3”：

除非提供频度高的参数化描述，否则后验分布很难纳入荟萃分析。

最近，我一直在考虑将荟萃分析合并到贝叶斯模型中（主要是作为先验信息的来源），但是如何朝另一个方向发展呢？如果贝叶斯分析确实确实变得更流行，并且变得非常容易合并到现有代码中（想到SAS 9.2及更高版本中的BAYES语句），我们应该更频繁地从文献中获得贝叶斯效应的估计。

让我们假设一下，有一位应用研究人员决定进行贝叶斯分析。使用与我在该问题上使用的相同的模拟代码，如果它们与常客框架一起使用，则会得到以下常客估计：

log relative risk = 1.1009, standard error = 0.0319, log 95% CI = 1.0384, 1.1633

使用标准的，全缺省且无信息的先验BAYES语句分析，没有理由存在良好的对称置信区间或标准误差。在这种情况下，后验很容易用正态分布来描述，因此人们可以这样描述并“足够接近”，但是如果有人报告贝叶斯效应估计和不对称可信区间会怎样？是否有一种简单的方法可以将其包括在标准的荟萃分析中，还是需要将估计值塞入尽可能接近的参数化分布中？或者是其他东西？

还有别的 要对处理同一参数（或多个参数）的多项研究的结果进行贝叶斯分析，您需要掌握它们的可能性（或其近似值）并将它们乘以先验。

如果每个单独的分析都报告了它自己的贝叶斯推断，那么这将是不可能的-尽管可能是近似的。令人高兴的是，大多数论文在给出完全的贝叶斯推论之前都会对这些数据进行简单的总结。对于您的贝叶斯推理，您可以与总结开始，并添加您之前。