我相信很多人会争论元分析的目的是什么，但也许在元元层面上，这种分析的重点是研究研究而不是获得汇总的参数估计。我们感兴趣的是效果是否彼此一致、方向相同、CI 边界是否与样本大小的根近似成反比，等等。只有当所有研究似乎都针对关联或治疗效果指出相同的效果大小和幅度时，我们才会有信心地报告所观察到的可能是“真相”。

确实，有一些频繁的方法可以进行汇总分析，例如仅汇总来自具有随机效应的多项研究的证据来解释异质性。贝叶斯方法是对此的一个很好的修改，因为您可以明确说明一项研究如何为另一项研究提供信息。

同样，有贝叶斯方法来“研究研究”，就像典型的（频繁的）元分析可能会做的那样，但这不是你在这里描述的。

您所描述的称为贝叶斯更新。如果您可以假设后续试验是可交换的，那么您是否按顺序、一次或以不同的顺序更新您的先前试验并不重要（参见例如此处或此处）。请注意，如果之前的实验影响了您未来的实验，那么在经典荟萃分析的情况下，也会存在不考虑的依赖性（如果假设可交换性）。

使用贝叶斯更新来更新你的知识是非常有意义的，因为它只是另一种方式，然后使用经典的元分析。它是否使传统的荟萃分析过时的问题是基于意见的，并且取决于您是否愿意采用贝叶斯观点。两种方法之间最重要的区别在于，在贝叶斯案例中，您明确说明了先前的假设。

当一个人想做荟萃分析而不是完全前瞻性的研究时，我认为贝叶斯方法可以让人们获得更准确的荟萃分析。例如，贝叶斯生物统计学家 David Spiegelhalter 多年前就表明，最常用的荟萃分析方法 DerSimonian 和 Laird 方法过于自信。有关详细信息，请参阅http://www.citeulike.org/user/harrelfe/article/13264878。

与研究数量有限的早期帖子相关，我更愿意将其视为贝叶斯更新，它允许先前研究的后验分布为任何形状，并且不需要假设可交换性。它只需要适用性的假设。

关于这个问题的一个重要说明。

您当然可以在贝叶斯设置中进行荟萃分析。但简单地使用贝叶斯视角不会让您忘记在荟萃分析中应该关注的所有事情！

最直接的一点是，好的荟萃分析方法承认潜在的影响不一定是统一的研究。例如，如果您想将两个不同研究的均值结合起来，将均值视为

$\mu_1 = \mu + \alpha_1$

$\mu_2 = \mu + \alpha_2$

$\alpha_1 + \alpha_2 = 0$

其中，是研究 1 的总体平均值，是研究 2 的总体平均值，是感兴趣的全局平均值，和是每个研究中与全局平均值的偏差。当然，你希望和的量级非常小，但假设 0 有点愚蠢。$\mu_1$$\mu_2$$\mu$$\alpha_1$$\alpha_2$$\alpha_1$$\alpha_2$

这个模型可以很容易地适应贝叶斯框架，就像它可以适应频率论框架一样。我唯一的一点是，在 OP 的问题中，如果您处于贝叶斯设置中，它可以被解读为使用假设$\alpha = 0$

所以总而言之，不，贝叶斯方法不会使荟萃分析领域过时。相反，贝叶斯方法与荟萃分析可以很好地协同工作。