{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3396903"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3396903","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Meta-analysis of bayes factors","abstract":"O παράγοντας Bayes είναι είναι ένα στατιστικό μέτρο που χρησιμοποιείται στην Μπεϋσιανή στατιστική για τον έλεγχο υποθέσεων. Αποδεικνύεται ότι είναι πολύ ανώτερος από τις συμβατικές μεθόδους ελέγχων στατιστικής σημαντικότητας (p-value) και τις στατιστικούς ελέγχους (test statistics) για την εξαγωγή συμπερασμάτων. Αυτό οφείλεται στο ότι μπορούν να παράσχουν στοιχεία τόσο υπέρ όσο και κατά της μηδενικής υπόθεσης και έχουν τη δυνατότητα να εξαρτώνται λιγότερο από το μέγεθος του δείγματος. Ωστόσο, η εφαρμογή μεθόδων για το συνδυασμό των παραγόντων Bayes από πολλές διαφορετικές μελέτες είναι περιορισμένη στη βιβλιογραφία. Στη πρόσφατη μελέτη του Νικολακόπουλου και Ντζούφρα (2021), έγινε ανασκόπηση σε υπάρχουσες μεθόδους για τον υπολογισμό των παραγόντων Bayes επιμερούς μελετών και πρότειναν μεθόδους για το συνδυασμό τους από πολλές διαφορετικές μελέτες σε μια ενιαία εκτίμηση. Ταυτόχρονα, διεξήχθη μια προσομοίωση για να αξιολογηθεί η απόδοσή τους. Ωστόσο, πρέπει να λάβουμε υπόψη ότι αυτές οι μέθοδοι εφαρμόστηκαν σε ένα μοντέλο σταθερής επίδρασης ενώ στην πραγματικότητα σε μια μετα-ανάλυση, το μοντέλο τυχαίων επιδράσεων θεωρείται καταλληλότερο για την περιγραφή των δεδομένων. Αυτό οφείλεται στο γεγονός ότι διαφορετικές μελέτες παρέχουν τιμές επιδράσεων που προέρχονται από μια κοινή κατανομή (γνωστό και ως ανταλλαξιμότητα), και όχι από μια σταθερή ποσότητα, και χαρακτηρίζονται από ετερογένεια (Higgins et al., 2009). Σε αυτή τη μελέτη προσπαθήσαμε να αξιολογήσουμε την απόδοση αυτών των μεθόδων υπό ένα διαφορετικό σενάριο προσομοίωσης, προσθέτοντας κάποια μεταβλητότητα στα δεδομένα με τη μορφή διαφορετικής διακύμανσης μεταξύ των μελετών. Ομοίως με τον Νικολακόπουλου και Ντζούφρα (2021) συμπεραίνουμε ότι ανεξάρτητα από τη διακύμανση των μελετών, το μέγεθος του δείγματος και τα στατιστικά στοιχεία των επιμέρους μελετών (στατιστική σημαντικότητα, έλεγχος Student, λόγος πιθανοτήτων ή ακόμα και Μπεϋσιανό παράγοντα) και η κατεύθυνση είναι αρκετή για να υπολογίσουμε το συνολικό παράγοντα Bayes από επιμερούς μελέτες της σχέσης ή τον υπό διερρεύνηση συντελεστή. Αυτό μπορεί να αποδοθεί στο γεγονός ότι οι προτεινόμενες μελέτες έχουν τη δυνατότητα να σταθμίζουν ως προς από το διαφορετικό μέγεθος δείγματος και τη διακύμανση κάθε μελέτης.","abstract_html":"O παράγοντας Bayes είναι είναι ένα στατιστικό μέτρο που χρησιμοποιείται στην Μπεϋσιανή στατιστική για τον έλεγχο υποθέσεων. Αποδεικνύεται ότι είναι πολύ ανώτερος από τις συμβατικές μεθόδους ελέγχων στατιστικής σημαντικότητας (p-value) και τις στατιστικούς ελέγχους (test statistics) για την εξαγωγή συμπερασμάτων. Αυτό οφείλεται στο ότι μπορούν να παράσχουν στοιχεία τόσο υπέρ όσο και κατά της μηδενικής υπόθεσης και έχουν τη δυνατότητα να εξαρτώνται λιγότερο από το μέγεθος του δείγματος. Ωστόσο, η εφαρμογή μεθόδων για το συνδυασμό των παραγόντων Bayes από πολλές διαφορετικές μελέτες είναι περιορισμένη στη βιβλιογραφία. Στη πρόσφατη μελέτη του Νικολακόπουλου και Ντζούφρα (2021), έγινε ανασκόπηση σε υπάρχουσες μεθόδους για τον υπολογισμό των παραγόντων Bayes επιμερούς μελετών και πρότειναν μεθόδους για το συνδυασμό τους από πολλές διαφορετικές μελέτες σε μια ενιαία εκτίμηση. Ταυτόχρονα, διεξήχθη μια προσομοίωση για να αξιολογηθεί η απόδοσή τους. Ωστόσο, πρέπει να λάβουμε υπόψη ότι αυτές οι μέθοδοι εφαρμόστηκαν σε ένα μοντέλο σταθερής επίδρασης ενώ στην πραγματικότητα σε μια μετα-ανάλυση, το μοντέλο τυχαίων επιδράσεων θεωρείται καταλληλότερο για την περιγραφή των δεδομένων. Αυτό οφείλεται στο γεγονός ότι διαφορετικές μελέτες παρέχουν τιμές επιδράσεων που προέρχονται από μια κοινή κατανομή (γνωστό και ως ανταλλαξιμότητα), και όχι από μια σταθερή ποσότητα, και χαρακτηρίζονται από ετερογένεια (Higgins et al., 2009). Σε αυτή τη μελέτη προσπαθήσαμε να αξιολογήσουμε την απόδοση αυτών των μεθόδων υπό ένα διαφορετικό σενάριο προσομοίωσης, προσθέτοντας κάποια μεταβλητότητα στα δεδομένα με τη μορφή διαφορετικής διακύμανσης μεταξύ των μελετών. Ομοίως με τον Νικολακόπουλου και Ντζούφρα (2021) συμπεραίνουμε ότι ανεξάρτητα από τη διακύμανση των μελετών, το μέγεθος του δείγματος και τα στατιστικά στοιχεία των επιμέρους μελετών (στατιστική σημαντικότητα, έλεγχος Student, λόγος πιθανοτήτων ή ακόμα και Μπεϋσιανό παράγοντα) και η κατεύθυνση είναι αρκετή για να υπολογίσουμε το συνολικό παράγοντα Bayes από επιμερούς μελέτες της σχέσης ή τον υπό διερρεύνηση συντελεστή. Αυτό μπορεί να αποδοθεί στο γεγονός ότι οι προτεινόμενες μελέτες έχουν τη δυνατότητα να σταθμίζουν ως προς από το διαφορετικό μέγεθος δείγματος και τη διακύμανση κάθε μελέτης.","abstract_has_math":false,"creators":["Μπαλασόπουλος Ιωάννης","Balasopoulos Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:16Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3396903"],"render_values":[{"text":"uoadl:3396903","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3396903","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3396903","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3396903","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπαλασόπουλος Ιωάννης","Balasopoulos Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3396903","https://pergamos.lib.uoa.gr/uoa/dl/object/3396903"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["O παράγοντας Bayes είναι είναι ένα στατιστικό μέτρο που χρησιμοποιείται στην Μπεϋσιανή στατιστική για τον έλεγχο υποθέσεων. Αποδεικνύεται ότι είναι πολύ ανώτερος από τις συμβατικές μεθόδους ελέγχων στατιστικής σημαντικότητας (p-value) και τις στατιστικούς ελέγχους (test statistics) για την εξαγωγή συμπερασμάτων. Αυτό οφείλεται στο ότι μπορούν να παράσχουν στοιχεία τόσο υπέρ όσο και κατά της μηδενικής υπόθεσης και έχουν τη δυνατότητα να εξαρτώνται λιγότερο από το μέγεθος του δείγματος. Ωστόσο, η εφαρμογή μεθόδων για το συνδυασμό των παραγόντων Bayes από πολλές διαφορετικές μελέτες είναι περιορισμένη στη βιβλιογραφία. Στη πρόσφατη μελέτη του Νικολακόπουλου και Ντζούφρα (2021), έγινε ανασκόπηση σε υπάρχουσες μεθόδους για τον υπολογισμό των παραγόντων Bayes επιμερούς μελετών και πρότειναν μεθόδους για το συνδυασμό τους από πολλές διαφορετικές μελέτες σε μια ενιαία εκτίμηση. Ταυτόχρονα, διεξήχθη μια προσομοίωση για να αξιολογηθεί η απόδοσή τους. Ωστόσο, πρέπει να λάβουμε υπόψη ότι αυτές οι μέθοδοι εφαρμόστηκαν σε ένα μοντέλο σταθερής επίδρασης ενώ στην πραγματικότητα σε μια μετα-ανάλυση, το μοντέλο τυχαίων επιδράσεων θεωρείται καταλληλότερο για την περιγραφή των δεδομένων. Αυτό οφείλεται στο γεγονός ότι διαφορετικές μελέτες παρέχουν τιμές επιδράσεων που προέρχονται από μια κοινή κατανομή (γνωστό και ως ανταλλαξιμότητα), και όχι από μια σταθερή ποσότητα, και χαρακτηρίζονται από ετερογένεια (Higgins et al., 2009). Σε αυτή τη μελέτη προσπαθήσαμε να αξιολογήσουμε την απόδοση αυτών των μεθόδων υπό ένα διαφορετικό σενάριο προσομοίωσης, προσθέτοντας κάποια μεταβλητότητα στα δεδομένα με τη μορφή διαφορετικής διακύμανσης μεταξύ των μελετών. Ομοίως με τον Νικολακόπουλου και Ντζούφρα (2021) συμπεραίνουμε ότι ανεξάρτητα από τη διακύμανση των μελετών, το μέγεθος του δείγματος και τα στατιστικά στοιχεία των επιμέρους μελετών (στατιστική σημαντικότητα, έλεγχος Student, λόγος πιθανοτήτων ή ακόμα και Μπεϋσιανό παράγοντα) και η κατεύθυνση είναι αρκετή για να υπολογίσουμε το συνολικό παράγοντα Bayes από επιμερούς μελέτες της σχέσης ή τον υπό διερρεύνηση συντελεστή. Αυτό μπορεί να αποδοθεί στο γεγονός ότι οι προτεινόμενες μελέτες έχουν τη δυνατότητα να σταθμίζουν ως προς από το διαφορετικό μέγεθος δείγματος και τη διακύμανση κάθε μελέτης.","Bayes Factors is a statistical measure used in Bayesian statistics for hypothesis testing. They prove to be far superior to the p-values and test statistics at making inference. That is because they can provide evidence both for and against the null hypothesis, and they have the potential to be less dependent on sample size, as opposed to their frequentist counterpart. However, the implementation of methods for combining Bayes Factors from multiple studies has been limited in literature. In a recent study by Nikolakopoulos and Ntzoufras (2021), they reviewed existing methods for calculating Bayes factors in a single study and suggested methods for combining Bayes factors from multiple studies into a single estimate, followed by simulation in order to examine their performance. However, we need to take into consideration that these methods were applied on a fixed-effect model while in reality in a metaanalysis, the random effects model is considered more suitable in describing the data. This is because different studies provide realizations of effects that come from a common a distribution (exchangeability trait), rather than a fixed quantity, and are characterized by heterogeneity (Higgins et al., 2009). In this study we tried to assess the performance of these methods under a different simulation scenario, by adding some variability to the data in the form of none fixed variance across the studies. Similarly to Nikolakopoulos and Ntzoufras (2021) we conclude that regardless of the sample variance, the sample size and statistic of the individual studies (likelihood, t-test, likelihood ratio or even Bayes Factor) are enough to adequately obtain an overall Bayes Factor from a number of studies. This can be attributed to the fact the difference in sample variance may be offset by the different sample size of each study."]},{"key":"dc:title","label":"Title","values":["Meta-analysis of bayes factors"]}]}],"canonical_facts":{"dc:creator":["Μπαλασόπουλος Ιωάννης","Balasopoulos Ioannis"],"dc:date":["2024"],"dc:description":["O παράγοντας Bayes είναι είναι ένα στατιστικό μέτρο που χρησιμοποιείται στην Μπεϋσιανή στατιστική για τον έλεγχο υποθέσεων. Αποδεικνύεται ότι είναι πολύ ανώτερος από τις συμβατικές μεθόδους ελέγχων στατιστικής σημαντικότητας (p-value) και τις στατιστικούς ελέγχους (test statistics) για την εξαγωγή συμπερασμάτων. Αυτό οφείλεται στο ότι μπορούν να παράσχουν στοιχεία τόσο υπέρ όσο και κατά της μηδενικής υπόθεσης και έχουν τη δυνατότητα να εξαρτώνται λιγότερο από το μέγεθος του δείγματος. Ωστόσο, η εφαρμογή μεθόδων για το συνδυασμό των παραγόντων Bayes από πολλές διαφορετικές μελέτες είναι περιορισμένη στη βιβλιογραφία. Στη πρόσφατη μελέτη του Νικολακόπουλου και Ντζούφρα (2021), έγινε ανασκόπηση σε υπάρχουσες μεθόδους για τον υπολογισμό των παραγόντων Bayes επιμερούς μελετών και πρότειναν μεθόδους για το συνδυασμό τους από πολλές διαφορετικές μελέτες σε μια ενιαία εκτίμηση. Ταυτόχρονα, διεξήχθη μια προσομοίωση για να αξιολογηθεί η απόδοσή τους. Ωστόσο, πρέπει να λάβουμε υπόψη ότι αυτές οι μέθοδοι εφαρμόστηκαν σε ένα μοντέλο σταθερής επίδρασης ενώ στην πραγματικότητα σε μια μετα-ανάλυση, το μοντέλο τυχαίων επιδράσεων θεωρείται καταλληλότερο για την περιγραφή των δεδομένων. Αυτό οφείλεται στο γεγονός ότι διαφορετικές μελέτες παρέχουν τιμές επιδράσεων που προέρχονται από μια κοινή κατανομή (γνωστό και ως ανταλλαξιμότητα), και όχι από μια σταθερή ποσότητα, και χαρακτηρίζονται από ετερογένεια (Higgins et al., 2009). Σε αυτή τη μελέτη προσπαθήσαμε να αξιολογήσουμε την απόδοση αυτών των μεθόδων υπό ένα διαφορετικό σενάριο προσομοίωσης, προσθέτοντας κάποια μεταβλητότητα στα δεδομένα με τη μορφή διαφορετικής διακύμανσης μεταξύ των μελετών. Ομοίως με τον Νικολακόπουλου και Ντζούφρα (2021) συμπεραίνουμε ότι ανεξάρτητα από τη διακύμανση των μελετών, το μέγεθος του δείγματος και τα στατιστικά στοιχεία των επιμέρους μελετών (στατιστική σημαντικότητα, έλεγχος Student, λόγος πιθανοτήτων ή ακόμα και Μπεϋσιανό παράγοντα) και η κατεύθυνση είναι αρκετή για να υπολογίσουμε το συνολικό παράγοντα Bayes από επιμερούς μελέτες της σχέσης ή τον υπό διερρεύνηση συντελεστή. Αυτό μπορεί να αποδοθεί στο γεγονός ότι οι προτεινόμενες μελέτες έχουν τη δυνατότητα να σταθμίζουν ως προς από το διαφορετικό μέγεθος δείγματος και τη διακύμανση κάθε μελέτης.","Bayes Factors is a statistical measure used in Bayesian statistics for hypothesis testing. They prove to be far superior to the p-values and test statistics at making inference. That is because they can provide evidence both for and against the null hypothesis, and they have the potential to be less dependent on sample size, as opposed to their frequentist counterpart. However, the implementation of methods for combining Bayes Factors from multiple studies has been limited in literature. In a recent study by Nikolakopoulos and Ntzoufras (2021), they reviewed existing methods for calculating Bayes factors in a single study and suggested methods for combining Bayes factors from multiple studies into a single estimate, followed by simulation in order to examine their performance. However, we need to take into consideration that these methods were applied on a fixed-effect model while in reality in a metaanalysis, the random effects model is considered more suitable in describing the data. This is because different studies provide realizations of effects that come from a common a distribution (exchangeability trait), rather than a fixed quantity, and are characterized by heterogeneity (Higgins et al., 2009). In this study we tried to assess the performance of these methods under a different simulation scenario, by adding some variability to the data in the form of none fixed variance across the studies. Similarly to Nikolakopoulos and Ntzoufras (2021) we conclude that regardless of the sample variance, the sample size and statistic of the individual studies (likelihood, t-test, likelihood ratio or even Bayes Factor) are enough to adequately obtain an overall Bayes Factor from a number of studies. This can be attributed to the fact the difference in sample variance may be offset by the different sample size of each study."],"dc:identifier":["uoadl:3396903","https://pergamos.lib.uoa.gr/uoa/dl/object/3396903"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Meta-analysis of bayes factors"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:16Z"}