在此感謝@hha0101的貢獻！
我提供了一些參考資料來支持這項請求。
斯莫爾，R.，＆庫爾，B.（2018）。橫斷面設定中 BKMR 的變分推理演算法。 arXiv：計算。 （ https://arxiv.org/pdf/1811.02609.pdf）建議使用貝葉斯核機器回歸 (BKMR) 和變分推理 (VI) 演算法來幫助處理非縱向研究設計（不隨時間追蹤同一個體的設計）。它還建議使用廣義最小二乘法 (GLS) 修改，使生成的可信區間比使用 BKMR 和 VI 時更保守。據稱，與 MCMC 方法相比，VI 與 GLS 的 BKMR 可提供更快的分析時間。
J Agric Biol Environ Stat 給出了高度相關資料結構的加權分位數和 (WQS) 回歸的描述。 2015年3月； 20(1): 100–120「風險分析環境中高度相關資料的加權分位數與迴歸的表徵」 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，環境化學物質的混合物對常見不良結果的影響是令人感興趣的。然而，由於同時發生的化學物質之間的高維度和固有相關性，傳統方法（例如普通回歸或邏輯迴歸）存在共線性問題變異數膨脹和收縮方法在選擇相關成分時存在局限性，我們提出了一種加權分位數總和（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物質中的「不良行為者」。方法相對於傳統普通迴歸所提供的準確性的提高。會降低。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內的成分往往具有較低的權重，其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新興應用和使用的附加評論： https://www. youtube .com/watch?v=lvkT-i0ki4Y&t=1683s
