[논문 리뷰] A Robust Bayesian Copas Selection Model for Quantifying and Correcting Publication Bias

Ray Bai, Lifeng Lin외 2명|arXiv (Cornell University)|2020. 05. 06.

Meta-analysis and systematic reviews참고 문헌 40인용 수 5

한 줄 요약

이 논문은 연구별 효과에 대해 무거운 尾를 가진 분포(예: 스튀디언의 t, 라플라스)를 사용함으로써 정규성 위반에 대한 저항성을 높이고, 메타분석에서의 출판 편향을 보정하는 강건한 베이지안 코파스 선택 모델(RBC)을 제안한다. 이 모델은 편향의 크기를 측정하기 위해 헬링거 거리 기반 측도 D를 도입하여, 1,500개의 코크란 메타분석 중 79.7%는 편향이 없었고, 1.2%는 매우 높은 편향을 보였으며, 보정된 치료 효과 추정치는 기존 메타분석보다 상당히 낮게 나타났다.

ABSTRACT

The validity of conclusions from meta-analysis is potentially threatened by publication bias. Most existing procedures for correcting publication bias assume normality of the study-specific effects that account for between-study heterogeneity. However, this assumption may not be valid, and the performance of these bias correction procedures can be highly sensitive to departures from normality. Further, there exist few measures to quantify the magnitude of publication bias based on selection models. In this paper, we address both of these issues. First, we explore the use of heavy-tailed distributions for the study-specific effects within a Bayesian hierarchical framework. The deviance information criterion (DIC) is used to determine the appropriate distribution to use for conducting the final analysis. Second, we develop a new measure to quantify the magnitude of publication bias based on Hellinger distance. Our measure is easy to interpret and takes advantage of the estimation uncertainty afforded naturally by the posterior distribution. We illustrate our proposed approach through simulation studies and meta-analyses on lung cancer and antidepressants. To assess the prevalence of publication bias, we apply our method to 1500 meta-analyses of dichotomous outcomes in the Cochrane Database of Systematic Reviews. Our methods are implemented in the publicly available R package RobustBayesianCopas.

연구 동기 및 목표

• 연구별 효과의 정규성 가정 위반에 민감한 기존 코파스 선택 모델의 문제를 해결하기 위해.
• 무거운 꼬리 분포를 사용하는 랜덤 효과에 적용되는 강건한 베이지안 프레임워크를 개발하기 위해.
• 헬링거 거리 기반의 새로운 해석 가능한 측도 D를 도입하여 출판 편향의 크기를 정량화하기 위해.
• 제안된 방법을 사용하여 대규모 메타분석 코호르트에서 출판 편향의 빈도를 평가하기 위해.
• 실제 적용을 위한 공개된 R 패키지(RobustBayesianCopas)를 제공하기 위해.

제안 방법

• 연구별 랜덤 효과에 대해 민감하고 두꺼운 尾를 가진 분포(정규분포, 라플라스, 스튀디언의 t, 슬래시)를 사용하는 베이지안 계층 모형 내에서 코파스 선택 모델을 적응적으로 적용한다.
• 최적의 분포를 선택하기 위해 사망도 정보 기준(DIC)을 사용한다.
• 표준 모델과 편향 보정 모델에서의 치료 효과 사후분포 간 헬링거 거리 기반으로 새로운 편향 측정치 D를 제안한다.
• RBC 모델 하에서 사후분포와 신뢰구간을 확보하기 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 활용한다.
• 랜덤 효과에 대한 다양한 분포 중에서 적합도와 복잡도의 균형을 고려해 DIC 기반의 모델 선택을 수행한다.
• 재현 가능하고 접근성이 높은 분석을 위해 R 패키지 RobustBayesianCopas에 이 방법을 구현한다.

실험 결과

연구 질문

• RQ1 연구별 효과의 정규성 가정 위반이 있을 경우, 코파스 선택 모델의 성능은 어떻게 변화하는가?
• RQ2 비정규성 하에서, 두꺼운 꼬리 분포가 메타분석의 편향 보정에 강건성을 향상시킬 수 있는가?
• RQ3 통계적으로 해석 가능하고 불확실성 인식이 가능한 방식으로 출판 편향의 크기를 어떻게 정량화할 수 있는가?
• RQ4 코크란 데이터베이스의 대규모이고 대표적인 메타분석 샘플에서 출판 편향의 빈도는 어떠한가?
• RQ5 편향 보정된 치료 효과 추정치는 기존 메타분석 추정치와 얼마나 다를까?

주요 결과

• 폐암 메타분석에서 표준 메타분석은 치료 효과를 θ̂_mle = 0.41 (95% 신뢰구간: 0.36, 0.46)로 추정했지만, RBC 모델은 상당히 낮은 추정치 θ̂_rbc = 0.24 (95% 신뢰구간: 0.13, 0.36)를 도출했다.
• 항우울제 메타분석에서 헬링거 거리 측도 D는 0.95로 계산되어 매우 높은 출판 편향을 나타내었으며, 편향 보정 및 비보정 사후분포 간 겹침이 거의 없었다.
• 코크란 데이터베이스의 이진 결과에 대한 1,500개의 메타분석에서, 79.7%는 편향이 없었고(D ≤ 0.25), 15.9%는 중간 정도의 편향(0.25 < D ≤ 0.5), 3.2%는 높은 편향(0.5 < D ≤ 0.75), 1.2%는 매우 높은 편향(0.75 < D ≤ 1)을 보였다.
• 비정규성 하에서 시뮬레이션 연구에서 RBC 모델이 스튀디언의 t 또는 라플라스 랜덤 효과를 사용할 경우, 정규분포 가정보다 항상 더 낮은 DIC 값을 보이며 더 우수한 성능을 보였다.
• 실제 연구별 효과의 분포가 정규분포에서 벗어날 경우, RBC 모델은 치료 효과 추정치를 보정하는 데 있어 더 강건하고 신뢰할 수 있는 성능을 보였다.
• R 패키지 RobustBayesianCopas는 성공적으로 개발되어 공개적으로 CRAN에 배포되어 넓은 접근성과 재현 가능성을 확보하였다.