Exportar registro bibliográfico

Métodos Bayesianos em metanálise: especificação da distribuição a priori para a variabilidade entre os estudos (2009)

  • Authors:
  • Autor USP: MAZIN, SULEIMY CRISTINA - FMRP
  • Unidade: FMRP
  • Sigla do Departamento: RMS
  • Subjects: INFERÊNCIA BAYESIANA; METANÁLISE; ESTATÍSTICAS DE SAÚDE
  • Language: Português
  • Abstract: Profissionais da saúde, pesquisadores e outros responsáveis por políticas de saúde são frequentemente inundados com quantidades de informações nem sempre manejáveis, o que torna a revisão sistemática uma maneira eficiente de integrar o conhecimento existente gerando dados que auxiliem a tomada de decisão. Em uma revisão sistemática os dados dos diferentes estudos podem ser quantitativamente combinados por métodos estatísticos chamados metanálise. A metanálise é uma ferramenta estatística utilizada para combinar ou integrar os resultados dos diversos estudos independentes, sobre o mesmo tema. Entre os estudos que compõem a metanálise pode existir uma variabilidade que não é devida ao acaso, chamada heterogeneidade. A heterogeneidade é geralmente testada pelo teste Q ou quantificada pela estatística ‘I POT. 2’. A investigação da heterogeneidade na metanálise é de grande importância pois a ausência ou a presença indica o modelo estatístico mais adequado. Assim, na ausência desta variabilidade utilizamos um modelo estatístico de efeito fixo e na presença utilizamos um modelo de efeitos aleatórios que incorpora a variabilidade entre os estudos na metanálise. Muitas metanálises são compostas por poucos estudos, e quando isso acontece, temos dificuldades de estimar as medidas de efeito metanalíticas através da teoria clássica, pois esta é dependente de pressupostos assintóticos. Na abordagem bayesiana não temos esse problema, mas devemos ter muito cuidado coma especificação da distribuição a priori. Uma vantagem da inferência bayesiana é a possibilidade de predizer um resultado para um estudo futuro. Neste trabalho, conduzimos um estudo sobre a especificação da distribuição a priori para o parâmetro que expressa a variância entre os estudos e constatamos que não existe uma única escolha que caracterize uma distribuição a priori que possa ser considerada "não informativa"em todas as situações. A escolha de uma distribuição a priori "não informativa" depende da heteroge- neidade entre os estudos na metanálise. Assim a distribuição a priori deve ser escolhida com muito cuidado e seguida de uma análise de sensibilidade, especialmente quando o número de estudos é pequeno
  • Imprenta:
  • Data da defesa: 27.11.2009
  • Acesso à fonte
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      MAZIN, Suleimy Cristina. Métodos Bayesianos em metanálise: especificação da distribuição a priori para a variabilidade entre os estudos. 2009. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2009. Disponível em: http://www.teses.usp.br/teses/disponiveis/17/17139/tde-11122009-104426/. Acesso em: 21 maio 2024.
    • APA

      Mazin, S. C. (2009). Métodos Bayesianos em metanálise: especificação da distribuição a priori para a variabilidade entre os estudos (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de http://www.teses.usp.br/teses/disponiveis/17/17139/tde-11122009-104426/
    • NLM

      Mazin SC. Métodos Bayesianos em metanálise: especificação da distribuição a priori para a variabilidade entre os estudos [Internet]. 2009 ;[citado 2024 maio 21 ] Available from: http://www.teses.usp.br/teses/disponiveis/17/17139/tde-11122009-104426/
    • Vancouver

      Mazin SC. Métodos Bayesianos em metanálise: especificação da distribuição a priori para a variabilidade entre os estudos [Internet]. 2009 ;[citado 2024 maio 21 ] Available from: http://www.teses.usp.br/teses/disponiveis/17/17139/tde-11122009-104426/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2024