网络元分析中的证据分割模型的REML方法.
Hans-Peter Piepho1, Johannes Forkman2, Waqas Ahmed Malik1
1Biostatistics Unit, Institute of Crop Science, University of Hohenheim, Stuttgart, Germany.
本研究引入了一种用于网络元分析的新限制最大概率 (REML) 方法,通过减少异质差异估计的偏差来改进证据分割 (ES) 模型.
科学领域:
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
- 流行病学 流行病学
背景情况:
- 网络元分析整合了多样化的证据,但评估直接与间接证据的不一致性至关重要.
- 证据分割 (ES) 模型将直接和间接证据分开,但使用完全的最大概率 (ML),可能导致偏差的异质差异估计.
研究的目的:
- 为网络元分析中的证据分割 (ES) 模型提出和评估一个限制最大概率 (REML) 方法.
- 为了解决与混合效应模型中的全ML相关的已知偏差差组分估计偏差.
主要方法:
- 为ES模型参数开发了一个基于REML的估计方法.
- 进行模拟以比较REML方法与全ML方法的性能.
- 分析了参数估计的偏差和平均平方误差.
主要成果:
- 拟议的REML方法与完整的ML方法相比,显示出具有竞争力的性能.
- 在模拟中,REML显示了可比的偏差和平均平方误差.
- 确定了ES模型的局限性,并指出它模拟了不一致性,但没有解释其原因.
结论:
- REML方法为ES模型中的参数估计提供了一个可行的替代方案,减轻了偏差问题.
- 虽然有效地分离证据,但ES模型在解释不一致性方面的实用性需要进一步考虑.
更多相关视频
06:26Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI
Published on: November 27, 2019
09:50Impact Assessment of Repeated Exposure of Organotypic 3D Bronchial and Nasal Tissue Culture Models to Whole Cigarette Smoke
Published on: February 12, 2015
相关概念视频
McNemar's Test
The Mantel-Cox Log-Rank Test
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Hazard Ratio
For example, in a clinical trial...
Regression Toward the Mean
Mechanistic Models: Compartment Models in Individual and Population Analysis
