贝叶斯统计量是否会使过分析变得过时？

我只是想知道，如果这样会使荟萃分析过时，那么从第一次研究到最后一次研究是否都可以应用贝叶斯统计方法。

例如，假设在不同时间点进行了20项研究。第一次研究的估计或分布是在没有先验信息的情况下进行的。第二项研究使用后验分布作为先验分布。现在将新的后验分布用作第三项研究的先验分布，依此类推。

最后，我们有一个估计，其中包含之前完成的所有估计或数据。进行荟萃分析是否有意义？

有趣的是，我想改变这种分析的顺序也会相应地改变最后的后验分布。

您所描述的称为贝叶斯更新。如果您可以假设后续的试验是可互换的，那么您是否顺序，一次或以不同的顺序（例如，请参见此处或此处）进行更新都没有关系。请注意，如果以前的实验会影响您将来的实验，那么在经典的荟萃分析的情况下，也将不考虑相关性（假设可交换性）。

使用贝叶斯更新来更新您的知识是非常有意义的，因为这只是另一种方式，然后使用经典的荟萃分析。问题是否使传统的荟萃分析过时，是否基于观点，取决于您是否愿意采用贝叶斯观点。两种方法之间最重要的区别在于，在贝叶斯案例中，您明确声明了先前的假设。

我敢肯定，很多人会争论荟萃分析的目的是什么，但也许在荟萃元层面上，这种分析的重点是研究研究而不是获得汇总参数估计值。我们感兴趣的是，效果是否在同一方向上彼此一致，CI边界是否近似与样本大小的根成反比，依此类推。只有当所有研究似乎都指出关联或治疗效果的效果大小和幅度相同时，我们才有把握地倾向于报告所观察到的可能是“真相”。

确实，存在进行汇总分析的频繁方法，例如仅汇总来自多个研究的证据，这些结果具有随机效应以说明异质性。贝叶斯方法是对此的一个很好的修改，因为您可以清楚地了解一项研究如何为另一项研究提供信息。

同样，有一种贝叶斯方法可以像典型的（常客）元分析那样“研究研究”，但这不是您在这里描述的。

当人们想要进行荟萃分析而不是进行完全前瞻性研究时，我认为贝叶斯方法可以使人们获得更准确的荟萃分析。例如，贝叶斯生物统计学家戴维·斯皮格哈尔特（David Spiegelhalter）数年前就表明，最常用的荟萃分析方法，即DerSimonian和Laird方法，过于自信。有关详细信息，请参见http://www.citeulike.org/user/harrelfe/article/13264878。

与研究数量有限时的早期职位相关，我更喜欢将其视为贝叶斯更新，它允许先前研究的后验分布为任意形状，并且不需要假设可交换性。它只需要假定适用性即可。

关于此问题的一项重要澄清。

您当然可以在贝叶斯设置中进行荟萃分析。但是，仅使用贝叶斯透视图就不会忘记您在荟萃分析中应该关注的所有事情！

最直接的一点是，进行荟萃分析的好的方法承认，潜在的影响不一定是要研究的统一研究。例如，如果您想将两个不同研究的均值相结合，则将均值视为

$\mu_1 = \mu + \alpha_1$

$\mu_2 = \mu + \alpha_2$

$\alpha_1 + \alpha_2 = 0$

$\mu_1$$\mu_2$$\mu$$\alpha_1$$\alpha_2$$\alpha_1$$\alpha_2$

$\alpha = 0$

因此，总之，不，贝叶斯方法不会使元分析领域过时。相反，贝叶斯方法与荟萃分析可以很好地配合使用。

人们已经尝试分析累积执行元分析时发生的情况，尽管他们主要关注的是确定是否值得收集更多的数据，或者反过来确定是否已经足够。例如Wetterslev和J Clin Epid的同事在这里。同一作者在这个主题上有很多出版物，很容易找到。我认为至少其中一些是开放访问的。