Натхненний цим питанням, зокрема "Проблемою 3":
Задні розподіли дещо складніше включити в метааналіз, якщо тільки не наводиться частотистський параметричний опис розподілу.
Нещодавно я багато думав над тим, як включити метааналіз в байєсівську модель - насамперед як джерело пріорів - але як рухатись до цього іншого напрямку? Якщо байєсівський аналіз справді стає більш популярним і його стає дуже легко включити в існуючий код (на думку приходить вислів BAYES в SAS 9.2 і вище), ми повинні частіше отримувати байєсівські оцінки ефекту в літературі.
Давайте на хвилину зробимо вигляд, що у нас є прикладний дослідник, який вирішив провести байєсівський аналіз. Використовуючи той самий код імітації, який я використовував для цього питання , якщо вони пішли з частоткою схемою, вони мали б такі оцінки, які часто застосовуються:
log relative risk = 1.1009, standard error = 0.0319, log 95% CI = 1.0384, 1.1633
Використовуючи стандартний, загальноприйнятний та неінформативний аналіз пріоритетів BAYES, немає причин мати приємні, симетричні інтервали довіри або стандартні помилки. У цьому випадку заднє досить легко описати звичайним розподілом, тому можна просто описати його як таке і бути "досить близьким", але що трапиться, якщо хтось повідомить про байєсівську оцінку ефекту та несиметричний достовірний інтервал? Чи є простий спосіб включити це у стандартний метааналіз, чи слід підрахувати оцінку в параметрично описаний розподіл, який є максимально близьким? Або щось інше?