看看最近的文章

贝叶斯方法通过数据的元聚合生成证据的总结性陈述，这可能涉及为所有定性数据赋予数值，促进个别综合的最终统计分析(即将定性数据转化为定量数据)，或为所有定量数据赋予定性专题描述。从而允许单个综合的最终元聚合(即将定量数据转化为定性数据)(表1)[1-4]。

表1。混合方法综合贝叶斯方法的比较

合成方法	描述
贝叶斯转换: 定性→定量	数值以一种与定量数据互补的格式归给所有定性数据 数据; 单独的先验分布(假定概率)分别应用于定量和定性数据; 比较后验分布(证据告知概率)，如果95%置信区间重叠，则合并。
的优势	促进定量和定性数据的统计分析; 将定量数据和定性数据赋予同等的力量，而不是简单地使用定性数据来生成主题，并在其中输入定量数据。
弱点	与口头计数(例如“许多”、“很少”等)转换为数字格式相关的重大问题; 不重叠的95%置信区间禁止对数据进行组合分析。
贝叶斯转换: 定量➔定性	所有的定量数据都是根据效应强度进行主题合成和编码的。
的优势	定量数据的编纂比定性数据的量化更不容易出错; 现有数据为开发先验分布提供了更准确的基础，从而为后续分析提供基础。
弱点	整个研究的焦点产生了对合理数量的研究的结论强度的依赖; 个别研究的权重需要根据所纳入研究的不同证据水平和方法学质量进行调整

数据分析的贝叶斯方法可以用来总结不确定性，并根据假设模型中数据的观察情况，利用概率陈述进行估计和预测。贝叶斯统计推断方法的特点是将模型的未知参数视为随机量，从而通过概率的先验分布来表达这些参数的不确定性。通过使用贝叶斯定理，参数的不确定性可以随着新信息的到来而依次更新[1-4]。

贝叶斯方法更适合于荟萃分析技术，其中治疗效果的不确定性，可以随着对该主题的另一项研究的执行而顺序更新，这允许更灵活的模型，其中研究的个体特征可以很容易地合并。贝叶斯方法的原则是将外部信息与研究结合起来，为meta分析测量和研究之间的可变性定义一个先验分布，并将其纳入分析[1-4]。

贝叶斯推理是经典推理的一种替代方法，它允许合并关于模型参数的先验信息。贝叶斯方法将模型参数视为随机量，并赋予其概率分布(先验分布和后验分布)，即贝叶斯方法通过先验将实验数据之外的信息纳入参数中[1-4]。

该信息与通过贝叶斯定理从实验分析数据中获得的信息相结合，并根据后验分布进行推论[1-5]。

综上所述，贝叶斯方法可以提高研究结果的准确性和解释性。

参考文献

1. Alan P, White H, Bath-Hextall F, Salmond S, Apostolo J等。(2015)系统评价的混合方法方法。基于医学的健康13: 121 - 31所示。
2. Sandelowski M, Voils CI, Barroso J(2006)混合研究综合研究的定义和设计。Res原理图13: 29。
3. Robert CP(2010)关于贝叶斯方法与统计学的相关性。经济分析综述2: 139 - 152。
4. Pearson A(2016)元聚合:定性合成中“缺失”部分的出现。JBI数据库系统版本实施代表14: 1 - 3。
5. Crandell JL, Voils CI, Chang Y, Sandelowski M(2011)定性与定量研究成果综合的贝叶斯数据增强方法。定性定量45: 653 - 69。