The Choice of a Noninformative Prior on Between-Study Variance Strongly Affects Predictions of Future Treatment Effect
Notice bibliographique
Résumé
PURPOSE: Bayesian random-effects meta-analyses require the analyst to specify the prior distribution for between-study variance of the treatment effect. We assessed the sensitivity of prediction and other outputs of the meta-analysis to the choice of this prior. METHODS: We reanalyzed 7 published meta-analyses (5-14 trials) with rare (event rates <5%), moderate (15%-50%), and frequent binary outcomes (>50%). We examined 10 noninformative priors: inverse gamma on between-study variance (τ (2)), 2 uniforms on each of the between-study standard deviation (τ) and τ (2), uniform shrinkage on τ (2), DuMouchel shrinkage on τ, half-normal on τ (2), and half-normal priors on τ with large and small variances. For each analysis, we calculated the posterior distributions for τ, the population treatment effect in current studies, and the predicted treatment effect in a future study. We assessed goodness of fit using total residual deviance, the deviance information criterion, and predictive deviance (by cross-validations). RESULTS: According to total residual deviance, the best-fitting priors were uniform on τ (2). According to predictive deviance, half-normal on τ (2) and the shrinkage priors were optimal. Across analyses with the 10 priors, there were no important differences in the posteriors for the population treatment effect, but there were substantial differences in the posteriors for τ and predictions. The priors that fitted best according to predictive deviance resulted in less uncertainty around predictions of future treatment effect. CONCLUSIONS: In this sample of Bayesian meta-analyses with binary outcomes, the choice of noninformative prior for between-study variance affected model fit and the predictions of future treatment effect. When the predictive distribution is of interest, we highly recommend examination of multiple prior distributions for between-study variance, especially the half-normal on τ (2) and the shrinkage priors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,076 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».