Вдохновленный этим вопросом и конкретной «проблемой 3»:
Апостериорные распределения несколько сложнее включить в метаанализ, если только не было предоставлено частичное параметрическое описание распределения.
В последнее время я много думал о включении метаанализа в байесовскую модель - в первую очередь, в качестве источника приоры - но как это сделать в другом направлении? Если байесовский анализ действительно становится более популярным и становится очень простым для включения в существующий код (вспоминается оператор BAYES в SAS 9.2 и выше), нам следует чаще получать байесовские оценки эффекта в литературе.
Давайте на мгновение представим, что у нас есть прикладной исследователь, который решил провести байесовский анализ. Используя тот же код симуляции, который я использовал для этого вопроса , если бы они использовали фреймворк для часто используемых, они бы дали следующие оценки для часто используемых:
log relative risk = 1.1009, standard error = 0.0319, log 95% CI = 1.0384, 1.1633
Используя стандартный анализ операторов BAYES, основанный на стандартных и неинформативных априорах, нет причин иметь хорошие, симметричные доверительные интервалы или стандартные ошибки. В этом случае апостериор довольно легко описывается нормальным распределением, поэтому можно просто описать его как таковой и быть «достаточно близким», но что произойдет, если кто-то сообщит об оценке байесовского эффекта и асимметричном вероятном интервале? Есть ли простой способ включить это в стандартный метаанализ или оценка должна быть отражена в параметрически описанном распределении, как можно более близком? Или что-то другое?