When reporting the results of clinical studies, some researchers may choose the five-number summary (including the sample median, the first and third quartiles, and the minimum and maximum values) rather than the sample mean and standard deviation, particularly for skewed data. For these studies, when included in a meta-analysis, it is often desired to convert the five-number summary back to the sample mean and standard deviation. For this purpose, several methods have been proposed in the recent literature and they are increasingly used nowadays. In this paper, we propose to further advance the literature by developing a smoothly weighted estimator for the sample standard deviation that fully utilizes the sample size information. For ease of implementation, we also derive an approximation formula for the optimal weight, as well as a shortcut formula for the sample standard deviation. Numerical results show that our new estimator provides a more accurate estimate for normal data and also performs favorably for non-normal data. Together with the optimal sample mean estimator in Luo et al., our new methods have dramatically improved the existing methods for data transformation, and they are capable to serve as "rules of thumb" in meta-analysis for studies reported with the five-number summary. Finally for practical use, an Excel spreadsheet and an online calculator are also provided for implementing our optimal estimators.
TIGER: A Tuning-Insensitive Approach for Optimally Estimating Gaussian Graphical Models
我们提出了一个新的估计高维高斯图模型的过程。我们的方法是渐近调谐自由和非渐近调谐不敏感：它需要很少的努力来选择在有限的样本设置的调谐参数。在计算上，我们的程序是显着快于现有的方法，由于其调谐不敏感的属性。理论上，所得到的估计量在不同范数下对精度矩阵估计同时是极小极大最优的。从经验上讲，我们使用彻底的模拟和真实的例子来说明我们的方法的优点。实现所提出的方法的R包bigmatrix可以在Comprehensive R Archive Network上获得：http://cran.r-project.org/。
How to estimate the sample mean and standard deviation from the five number summary?
在某些临床研究中，研究者可能报告5个数字汇总（包括样本中位数、第一和第三四分位数、最小值和最大值），而不是样本均值和标准差。要对汇总研究进行荟萃分析，首先需要从5个数字汇总中估计样本均值和标准差。在最近的文献中已经提出了一些研究来解决这个问题。然而，现有的标准差的估计是令人满意的实际使用。经过对现有文献的简要回顾，我们指出，万等。的方法（BMC Med Res Methodol 14：135，2014）在从五个数字总结估计标准差方面具有严重的局限性。为了改进它，我们提出了一个光滑加权估计，通过纳入样本量的信息，并推导出新的估计的最佳权重。为了便于实现，我们还提供了一个近似公式的最佳权重和一个快捷的公式估计的标准差从五个数字的总和。所提出的估计的性能进行评估，通过两个模拟研究。与Wan et al.的估计器，我们的新估计器提供了一个更准确的估计正常的数据，并表现出良好的非正常数据。在实际数据分析中，我们的新方法也能够提供比现有方法更准确的真实样本标准差的估计。本文提出了五数求和的标准差的一个最优估计。与Luo等人的最佳均值估计量（Stat Methods Med Res，出版中，2017）一起，我们的新方法改进了现有文献，并将为荟萃分析和循证医学做出坚实的贡献。
Federated generalized linear mixed models based on one-time shared summary statistics
Interuniversity Institute for Biostatistics and statistical Bioinformatics (I-BioStat), Data Science Institute (DSI), Hasselt University（荷语天主教大学间生物统计学与统计生物信息学研究所（I-BioStat），数据科学研究所（DSI），哈瑟尔特大学）；Centre for Health Economic Research and Modelling Infectious Diseases (CHERMID), Vaccine & Infectious Disease Institute, Antwerp University（健康经济研究与传染病建模中心（CHERMID），疫苗与传染病研究所，安特卫普大学）
Statistical development and assessment of summary measures to account for isotopic clustering of Fourier transform mass spectrometry data in clinical diagnostic studies
Simulation-based Estimation of Mean and Standard Deviation for Meta-analysis via Approximate Bayesian Computation (ABC)
背景资料：当对连续结局进行荟萃分析时，需要估计所选研究的平均值和标准差，以获得平均效应及其置信区间的总体估计值。如果出版物中没有直接报告这些数量，则必须根据其他报告的汇总统计量（如中位数、最小值、最大值和四分位数）估计这些数量。研究方法：我们提出了一种基于模拟的估计方法，使用近似贝叶斯计算（ABC）技术估计平均值和标准差的基础上，在已发表的研究中发现的各种汇总统计。我们进行了一项模拟研究，将提出的ABC方法与Hozo et al.（2005），Bland（2015）和Wan et al.（2014）的现有方法进行比较。结果：在标准差的估计中，我们的ABC方法在偏态或重尾分布中表现最好。随着样本量的增加，平均相对误差（ARE）趋于零。在正态分布中，我们的ABC表现良好。然而，Wan等人的方法是最好的，因为它基于正态分布假设。当分布是偏态或重尾分布时，Wan等人的ARE会随着样本量的增加而远离零。在均值的估计中，我们的ABC方法是最好的，因为ARE收敛到零。结论：ABC是一种灵活的方法，用于估计荟萃分析的研究特定平均值和标准差，特别是在潜在的偏态或重尾分布的情况下。当采用贝叶斯分析时，ABC方法可以使用其他报告的汇总统计量，例如后验均值和95%可信区间。
