[论文解读] A Robust Bayesian Copas Selection Model for Quantifying and Correcting Publication Bias

Ray Bai, Lifeng Lin+2 more|arXiv (Cornell University)|May 6, 2020

Meta-analysis and systematic reviews参考文献 40被引用 5

一句话总结

本文提出了一种稳健的贝叶斯Copas选择模型（RBC），通过使用重尾分布（如学生t分布、拉普拉斯分布）对研究特定效应进行建模，以纠正元分析中的发表偏倚，从而提高对非正态性的稳健性。该方法引入了一种基于Hellinger距离的偏倚度量D，用于量化偏倚程度，结果显示在1,500项Cochrane元分析中，79.7%的偏倚可忽略不计，但1.2%存在极高偏倚，且校正后的治疗效应估计值显著低于标准元分析结果。

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.

研究动机与目标

• 解决现有Copas选择模型在研究特定效应违反正态性假设时的敏感性问题。
• 开发一种使用重尾分布作为随机效应的稳健贝叶斯框架，以提高模型稳定性。
• 提出一种基于Hellinger距离的新度量D，用于量化发表偏倚的大小，且具有良好的可解释性。
• 利用所提出的方法评估在大规模元分析集合中发表偏倚的普遍性。
• 提供一个公开可用的R软件包（RobustBayesianCopas），以支持实际应用。

提出的方法

• 在贝叶斯层次模型框架下，将Copas选择模型与灵活的重尾分布（正态分布、拉普拉斯分布、学生t分布、Slash分布）结合，用于研究特定随机效应。
• 使用偏差信息准则（DIC）选择最终分析中最优的分布。
• 提出一种基于标准模型与偏倚校正模型下治疗效应后验分布之间Hellinger距离的新偏倚度量D。
• 采用马尔可夫链蒙特卡洛（MCMC）抽样方法，获得RBC模型下的后验分布和可信区间。
• 通过DIC实现模型选择，以在随机效应的替代分布中平衡拟合优度与模型复杂度。
• 在R软件包RobustBayesianCopas中实现该方法，以确保分析的可重现性与可及性。

实验结果

研究问题

• RQ1 当研究特定效应的正态性假设被违反时，Copas选择模型的性能如何变化？
• RQ2 在非正态性条件下，重尾分布是否能提高元分析中偏倚校正的稳健性？
• RQ3 如何以一种具有统计可解释性且能反映不确定性的方法量化发表偏倚的大小？
• RQ4 在Cochrane数据库中大规模代表性元分析样本中，发表偏倚的普遍性如何？
• RQ5 偏倚校正后的治疗效应估计值与标准元分析估计值之间的差异程度如何？

主要发现

• 在一项肺癌元分析中，标准元分析估计的治疗效应为θ̂_mle = 0.41（95%置信区间：0.36, 0.46），而RBC模型得到的估计值显著降低至θ̂_rbc = 0.24（95%可信区间：0.13, 0.36）。
• 在抗抑郁药物元分析中，Hellinger距离度量D计算为0.95，表明存在极高的发表偏倚，且偏倚校正与未校正后验分布之间重叠极小。
• 在Cochrane数据库中1,500项二分类结局的元分析中，79.7%的元分析偏倚可忽略不计（D ≤ 0.25），15.9%存在中等偏倚（0.25 < D ≤ 0.5），3.2%存在高偏倚（0.5 < D ≤ 0.75），1.2%存在极高偏倚（0.75 < D ≤ 1）。
• 在非正态性条件下，模拟研究显示RBC模型采用学生t分布或拉普拉斯分布作为随机效应时，其DIC值显著低于正态分布假设，表明性能更优。
• 当研究特定效应的真实分布偏离正态性时，RBC模型在纠正治疗效应估计值方面表现出更优的稳健性与可靠性。
• 成功开发了R软件包RobustBayesianCopas，并已发布于CRAN，实现了广泛可及性与可重现性。