Modelagem Hierárquica Bayesiana Total em Duas Etapas, com Aplicação à Meta-Análise

Resumo A meta-análise é frequentemente realizada em duas etapas, com cada estudo analisado separadamente na etapa 1 e as estimativas combinadas entre os estudos na etapa 2. As estimativas específicas de cada estudo são supostas como provenientes de distribuições normais com variâncias conhecidas iguais às suas respectivas estimativas. Em contraste, uma análise em uma única etapa estima todos os parâmetros simultaneamente. Uma abordagem bayesiana de uma única etapa oferece vantagens adicionais, como o reconhecimento da incerteza em todos os parâmetros e maior flexibilidade. No entanto, existem situações em que uma estratégia de duas etapas é convincente, por exemplo, quando as análises específicas de estudo são complexas e/ou demoradas. Apresentamos um método novo para ajustar o modelo bayesiano completo em duas etapas, beneficiando-se de suas vantagens enquanto mantém a conveniência e a flexibilidade de uma abordagem em duas etapas. Usando métodos de Monte Carlo por cadeia de Markov, as posteriors para os parâmetros de interesse são derivadas separadamente para cada estudo. Estas são então usadas como distribuições de proposta em uma segunda etapa computacionalmente eficiente. Ilustramos essas ideias em um pequeno conjunto de dados binomiais; também analisamos dados que motivam sobre o crescimento e a ruptura de aneurismas aórticos abdominais. A abordagem bayesiana em duas etapas reproduz de perto uma análise em uma etapa quando pode ser realizada, mas também pode ser facilmente executada quando uma abordagem em uma etapa é difícil ou impossível.