Appearance
Bayesian Analysis Reporting Guidelines
Summary
Problem: 行为科学领域越来越多的研究采用贝叶斯分析方法，但多项文献综述显示，这些研究报告普遍缺乏关键信息，如先验分布的设定、敏感性分析、MCMC收敛诊断等，导致分析不透明且无法复现。以往发布的贝叶斯报告指南大多内容简略、解释不足，且遗漏了当代分析中重要的细节（如MCMC诊断、零值决策的不同报告方式、在线发布材料等）。 Approach: 本文通过系统回顾以往关于贝叶斯分析报告质量的文献综述和已有指南，整合其优点并补充大量细节，提出了一套名为BARG（Bayesian Analysis Reporting Guidelines）的贝叶斯分析报告指南。该指南包含一个前言和六个有序步骤，每步列出关键报告要点，并辅以详细解释。作者还提供了一个完整的应用示例（见补充材料）。 Finding: BARG指南涵盖以下核心内容：前言（为何使用贝叶斯方法、分析目标）、步骤1（解释模型：数据变量、似然函数与参数、先验分布、形式化规范、先验预测检验）、步骤2（报告计算细节：软件、MCMC链收敛、链分辨率）、步骤3（描述后验分布：后验预测检验、参数汇总、贝叶斯因子与模型概率）、步骤4（报告决策及其标准：损失函数、ROPE界限、决策阈值）、步骤5（报告敏感性分析）、步骤6（确保可复现性：软件与版本、脚本与数据、代码可读性等）。 Significance: 该指南为研究人员、作者、审稿人、编辑、教育者和学生提供了系统化的贝叶斯分析报告框架，有助于提高贝叶斯分析的质量、透明度和可复现性。与以往指南相比，BARG更加详细、结构清晰，并提供了实际应用示例，具有更强的可操作性。
Theoretical Framework
N/A
Research Design
本文为综述性文章（Review Article），非实证研究。研究设计为对已有文献的系统回顾与综合，在此基础上提出规范性指南。作者回顾了多篇关于贝叶斯分析报告质量的文献综述（涉及医学设备、混合治疗比较、N-of-1研究元分析、流行病学研究等），以及以往发布的贝叶斯报告指南，并结合自身作为研究者、审稿人和教师的经验，构建了BARG指南框架。指南以序贯步骤的形式呈现，每个步骤包含具体的报告要点。
Data & Sample
N/A（本文为综述文章，无实证数据。作者引用的文献综述数据包括：17篇医学设备贝叶斯分析文章、34篇混合治疗比较文章、11篇N-of-1研究元分析文章、99篇应用贝叶斯分析文章、70篇流行病学研究文章等。）
Analytical Strategy
N/A（本文为规范性综述，不涉及统计分析。作者采用的方法是文献综合与指南构建，通过回顾已有综述和指南，识别报告中的常见缺失项，并据此制定系统化的报告清单。）
Results & Findings
本文的主要"发现"并非实证结果，而是通过文献综述揭示的问题和提出的解决方案：
贝叶斯分析报告普遍存在严重的信息缺失：多项文献综述显示，仅有少数文章完整报告了先验分布（如24%）、敏感性分析（如18%）、模型解释（如35%）、可信区间（如59%）、MCMC收敛诊断（如35.3%）、有效样本量（ESS）等关键信息。大量文章未报告超参数、未检查链收敛、未进行敏感性分析。这些缺失导致分析不透明、结果不可复现。
编辑和作者普遍认同报告指南的必要性：调查显示，大多数编辑认为所有作者和审稿人都应使用报告指南，并认为期刊和专业学会应推广指南；作者表示如果同行使用指南，他们也会受到鼓励。
以往指南存在不足：许多已有指南内容简略、解释不足，遗漏了当代贝叶斯分析中重要的细节，如MCMC诊断的不同方面、零值决策的不同报告方式、在线发布材料等。
BARG指南的提出：作者提出了包含前言和六个步骤的完整指南，涵盖从模型解释、计算细节、后验描述、决策报告、敏感性分析到可复现性的全流程。每个步骤都包含具体的报告要点和详细解释。
应用示例：作者提供了一个完整的应用示例（电影星级评分数据的均值和方差差异分析），展示了如何将BARG应用于实际分析，包括参数估计和假设检验两种方法。
Limitations
作者在文中明确指出的局限和边界条件包括：
- BARG不涉及分析的最佳实践（best practices），仅关注报告要点，但有助于分析者更全面地思考分析步骤。
- BARG假设研究者诚实地报告所有相关数据和所有相关分析，不涉及防止"可疑研究实践"（如p-hacking、选择性报告、事后假设等）。
- BARG不指导研究设计或设计报告，尽管存在贝叶斯方法处理设计问题（如自适应设计、样本量规划）。
- BARG不提供具体的报告模板或格式，因为模型类型繁多、贝叶斯软件鼓励新颖模型、传统格式可能过时。
- BARG对零值评估方法采取包容态度，但未涵盖文献中所有方法（如某些特定方法），未来统计实践的发展可能产生新方法。
Key Contributions
- 提出了系统化的贝叶斯分析报告指南（BARG），包含前言和六个有序步骤，每个步骤列出关键报告要点并附详细解释。
- 整合了以往指南的优点，同时补充了当代贝叶斯分析中重要的细节，如MCMC诊断（PSRF、ESS）、零值决策的不同报告方式（ROPE、BF）、在线发布材料的具体要求等。
- 提供了完整的应用示例（见补充材料及OSF平台），展示了如何将BARG应用于实际分析，增强了指南的可操作性。
- 强调了先验分布的理由说明（justification），包括先验预测检验和敏感性分析两个关键步骤。
- 明确了模型比较中先验设置的重要性，讨论了默认先验、代表性数据信息先验等方法及其权衡。
- 强调了可复现性的具体操作要求，包括软件版本、脚本与数据发布、代码可读性、随机数种子设置等。
- 为不同角色（研究者、作者、审稿人、编辑、教育者、学生）提供了实用价值，可用于教学和学习。
Key Claims
"Previous surveys of the literature have shown that reports of statistical analyses often lack important information, causing lack of transparency and failure of reproducibility." (Abstract)
"In a review of the reporting of Bayesian analyses for medical devices, using the ROBUST checklist for scoring, only 24% of 17 articles fully reported the prior, only 18% reported a sensitivity analysis, only 35% explained the model, and only 59% reported credible intervals." (Introduction)
"The BARG recommend essential items that should be reported from a Bayesian analysis, but do not aspire to review best practices for conducting an analysis." (What is not on the BARG)
"Because a key part of reporting priors is justifying them, and justification entails considerations of best practices, this discussion now ventures into best practices for setting priors." (Explaining the model)
"Utilization, endorsement and promotion of the BARG may improve the quality, transparency and reproducibility of Bayesian analyses." (Abstract)