我们应该担心多重性吗？
事实证明（或许不足为奇）在多臂试验的设定中，某种多样性调整是否合适的问题一直备受争议 。一种观点认为，如果不同的假设代表不同的研究问题，那么不允许进行多重比较是合理的。
模拟研究
为了进行实证研究，我根据Parmar 等人的假设进行了一项非常小的模拟研究（在R中）。
运行模拟
mu < - c（0,0） tausq < - 0
在顶部，这将所有真正的治疗效果设置为零。这使我们能够检查类型1错误。
贝叶斯方法
遵循安德鲁·格尔曼与之前相关的论文，似乎处理前面问题的方法是贝叶斯分析。在这种情况下，每个治疗效果的后验平均值将朝着估计的总体平均治疗效果缩小，取决于真实治疗效果的估计方差和每个估计效果的精确度。
用于仿真
如果有人发现错误，请在评论中告诉我。
nSims < - 1000
#specify真实效果的均值和方差
mu < - c（-1，-1） tausq < - 2 #mu < - c（0,0） #tausq < - 0
specify真正治疗之间的相关性rho
rho < - 0trueCov < - c（ tausq，rho * tausq，rho * tausq，tausq），nrow = 2）
由于共同的控制臂，误差相关性为0.5
errorRho < - 0.5 errorVariance < - 1 errorCov < matrix（c（errorVariance，errorRho * errorVariance，errorRho * errorVariance，errorVariance），nrow = 2） sigResult < - array（0，dim = c（nSims，2）） trueEffects < array（0，dim = c（nSims，2）） estEffects < - array（0，dim = c（nSims，2）） for（i in 1：nSims）{ #generate真正的治疗效果 trueEffects [i，] < mvrnorm（n = 1，mu = mu，Sigma = trueCov） estEffects [i，] < - trueEffects [i，] + mvrnorm（n = 1，mu = c（0,0），Sigma = errorCov） testStat < - estEffects [i，] /（errorVariance ^ 0.5） p_value < - 2 * pnorm（abs（testStat），lower.tail = FALSE） sigResult [i，] < 1 *（p_value <0.05） }
proportions of trials中找到每个治疗组
colMeans（sigResult）
beneficial effect与对照相比 #is假设两个治疗组相同（对照组）
bestTrt < - array（0，dim = c（nSims，1）） bestEstEff < - array（0，dim = c（nSims，1）） bestEstMinusTrue < - array（0，dim = c（nSims，1）） for（i in 1：nSims）{ bestTrt [i] < - which.min（estEffects [i，]） #find对应的真实效果 bestTrtTrueEff [i] < - trueEffects [i，bestTrt [i]] bestEstEff [i] < - estEffects [i，bestTrt [i]] ciCov [i] < - 1 *（（（bestEstEff [i] -1.96 * errorVariance ^ 0.5）<bestTrtTrueEff [i]）＆（（bestEstEff [i] + 1.96 * errorVariance ^ 0.5）> bestTrtTrueEff [i]）） }
