基于貝葉斯方法的Meta-分析

張珍， 趙強

(山東師范大學數學與統計學院, 山東 濟南 250014)

基于貝葉斯方法的Meta-分析

張珍， 趙強*

(山東師范大學數學與統計學院, 山東 濟南 250014)

稀疏數據; 貝葉斯模型; Jeffreys分布; 鏈接函數; Meta-分析

1 引言及預備知識

1976年，英國心理學家Glass[1-2]提出Meta-分析，這是以綜合已有發現為目的, 對單個研究結果的集合的統計學研究方法。Meta-分析又稱作薈萃分析、整合分析、匯總分析, 是對具有相同研究題目的多個研究進行綜合分析的一系列過程, 其中包括提出研究問題、制定納入和排除標準、檢索相關研究、匯總基本信息、綜合分析并報告結果等[3]。

到目前為止, 針對稀疏數據的合并, 大致分為兩個方向: 一種是對稀疏數據進行填補, 即對試驗中存在0案例的試驗進行連續性修正; 另外一種是無需進行連續性修正, 運用貝葉斯模型直接對各個試驗結果進行分析。

2 Meta-分析中的貝葉斯模型

貝葉斯統計學的基礎是貝葉斯公式和貝葉斯定理，貝葉斯公式是基于條件概率的定義和全概率公式推導而來[4]， 因此貝葉斯公式的實踐形式如下: 設試驗E的樣本空間為S,A為E的事件，B1,B2,…，Bn為樣本空間S的一個劃分, 且p(A)>0,p(Bi)>0,i=1,2,…,n，則由條件概率的定義及全概率公式可得:

貝葉斯公式密度函數形式如下: 設x=(x1,x2,…,xn)是來自某總體的樣本, 該總體的概率密度函數為p(x|θ),當給定一組觀察值x=(x1,x2,…,xn)時,θ的條件概率分布為

即在樣本x=(x1,x2,…,xn)下θ的后驗分布。其中，π(θ)是參數θ的先驗分布。

為樣本x=(x1,x2,…,xn)的聯合條件密度函數, 也即似然函數。

為x的邊緣密度函數, 是一個與θ無關的量。

2.1 先驗分布為Jeffreys無信息先驗的貝葉斯統計模型

而在0～1之間的不可觀察的變量x的貝葉斯模型如下:

其中，為了完善Meta-分析中貝葉斯模型的計算公式, 我們需要一個鏈接函數π(θi|θ), 注意這個條件分布必須兼容早先給的π(θi)和π(θ),也就意味著二維分布π(θi,θ)=π(θi|θ)π(θ)必須滿足積分公式[5]

通常π(θi,θ)可能依賴于不確切的超參數t。 這里考慮內在先驗分布類

{πIJ(θi,θ|t),t≥1}，

經驗證

可用作模型的鏈接函數, 上式是一個單變量Beta密度的混合。因此, 可以用統計軟件實現。例如R、Mathematic。 經過計算, 可以得出在給定t下,θi和θ之間的相關系數如下:

這是一個關于t的遞減函數[6]。

考慮一個有不同中心的k個相互獨立的隨機臨床試驗結果, 用(xi,ni),i=1,2,3,…,k表示可觀察到的多中心數據集。θi表示數據中心的概率效應, 即xi～B(θi,ni)。 接下來的計算公式運用θi的似然函數和鏈接分布可得

在給定t下, 參數θ的似然函數可有下式表達出來:

其中，P(x)表示變量x的似然函數。假設(xi,ni)對i=1,2,…,k相互獨立, 在給定θ的條件下,θi在θ下條件獨立。然后對整個數據集有參數θ的似然函數如下:

令n=(n1,n2,…,nk),x=(x1,x2,…,xk),而在給定t下,θ的后驗概率可由下式給出:

其中關于參數θ, 應用數據(x,n)包含所有的信息, 符號“∝”表示“正比于”, 注意正常化常數不能從其封閉形式中得到。這里需要一個簡單的一維數值分析。關于變量X的預測分布, 在給定數據(x,n)和超參數t下, 可得

其中，X=0,1t≥1。

當X=1時, 上式得

注意, 處理組的試驗成功時恰好有P(X=1|x,n,t); 并且觀察到只有在0-1隨機變量的情況下, 預測分布的變量和參數的后驗期望一致。然而, 當隨機變量超過兩個值時, 這個情況將不會成立。

2.2 先驗分布為更一般形式的貝葉斯模型的推廣

滿足條件; 這里,t是一個超參數. 運用θi的似然函數和鏈接分布可得:

類似2.1的計算過程, 關于變量X的預測分布, 在給定數據(x,n)和超參數t下, 可由下式得出:

其中，X=0,1，t≥1。當X=1時, 上式得

事實上, 處理組的試驗成功時恰好有P(X=1|x,n,t), 而上面得到是關于θ的一組向量。

[1]GLASS G V. Primary,secondaryand Meta-analysis of research[J]. Educ Res, 1976, 5(10):3-8.

[2]YATES F. Contingency tables involving small numbers and the chi-squared test[J]. Supplement to the Journal of the Royal Statistical Society,1934，1(2):217-235.

[3]王丹,翟俊霞,牟振云,等. Meta-分析中的異質性及其處理方法[J].中國循證醫學雜志,2009.9(10):1115-1118.

[4]COCHRAN W G. Problems arising in the analysis of a series of similar experiments[J]. Supplement to the Journal of the Royal Statistical Society,1937,4(1)102-118.

[5]MANTEL N,HAENSZEL W. Statistical aspects of the analysis of data from retrospective studies of disease[J].Journal of the National Cancer Institute,1959,22(4):719-748.

[6]MORENO E,VAZQUEZ-POLO E J,NEGRIN M A. Objective Bayesian meta-analysis of sparse discrete data[J].Stat Med,2014,33(21)3676-92.

[7]VAZQUEZ-POLO F J,MORENO E， Negrín M A, et al. A bayesian sensitivity study of risk difference in the meta-analysis of binary outcomes from aparse data[J]. Expert Rev Pharmacoecom Outcomes Res，2015，15(2):317-322.

Meta-analysisbasedonBayesianmethod

ZHANGZhen,ZHAOQiang*

(InstituteofMathematicsandStatistics,ShandongNormalUniversity,Jinan250014,China)

∶sparse data;Bayesian model;jeffreys distribution;link function;Meta-analysis

10.3976/j.issn.1002-4026.2017.06.019

2017-03-31

國家自然科學基金(11001155)

張珍(1991—), 女, 碩士研究生, 研究方向為應用統計。

*通信作者，趙強，男，副教授。E-mail:zhaoqstst@126.com

O211

A

1002-4026(2017)06-0115-04