謝謝@hha0101在這里為您做出貢獻！
我包括一些參考資料來支持這個請求。
小，R.， & Coull, B. (2018)。 橫截面設置中 BKMR 的變分推理算法。 arXiv：計算.( https://arxiv.org/pdf/1811.02609.pdf)提出使用貝葉斯核機回歸 (BKMR) 和變分推理 (VI) 算法來幫助處理非縱向研究設計（不隨時間跟踪同一個人的設計）。 它還建議使用廣義最小二乘法 (GLS) 修改，以使生成的可信區間比使用帶 VI 的 BKMR 更保守。 與 MCMC 方法相比，VI 和 GLS 的 BKMR 也聲稱提供了更快的分析時間。
給出了高度相關數據結構的加權分位數和 (WQS) 回歸的描述J Agric Biol 環境統計。 2015年3月； 20（1）：100-120“風險分析環境中高度相關數據的加權分位數和回歸的表徵" doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
“在風險評估中，環境化學品混合物對常見不良結果的影響是令人感興趣的。 然而，由於化學物質之間的高維度和內在相關性，傳統方法（例如普通回歸或邏輯回歸）存在共線性和方差膨脹，收縮方法在選擇相關成分方面存在局限性。 我們提出了一種加權分位數和 (WQS) 方法來估計身體負擔指數，該方法可以識別一組高度相關的環境化學品中的“不良行為者”。 我們通過廣泛的模擬研究通過敏感性和特異性（即，WQS 方法正確選擇不良行為者而不是錯誤行為者的能力）來評估和表徵 WQS 回歸在變量選擇中的準確性。 我們展示了這種方法相對於傳統的普通回歸和收縮方法（套索、自適應套索和彈性網絡）在準確性方面的改進。 模擬結果表明，WQS 回歸在某些環境相關條件下是準確的，但對於固定相關模式，其準確性會隨著與響應變量的關聯減少而降低。 非零權重（即超過選擇閾值參數的權重）可用於識別不良行為者；然而，高度相關的活性成分簇中的成分往往具有較低的權重，它們的權重之和代表了該集合。”
Chris Holmes（牛津大學生物統計學教授）和 Glenn Right Calopy 最近的一次談話中包含了關於貝葉斯方法在大型臨床數據集模型構建中的緊急應用和使用的補充評論： https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
