Grazie @ha0101 per il tuo contributo qui!
Includo alcuni riferimenti a sostegno di questa richiesta.
Piccolo, R., & Coull, B. (2018). Un algoritmo di inferenza variazionale per BKMR nell'impostazione della sezione trasversale. arXiv: Calcolo .( https://arxiv.org/pdf/1811.02609.pdf) proporre uso della regressione bayesiana della macchina del kernel (BKMR) con un algoritmo di inferenza variazionale (VI) per aiutare a gestire un progetto di studio non longitudinale (uno che non tiene traccia degli stessi individui nel tempo). Propone inoltre l'uso di una modifica dei minimi quadrati generalizzati (GLS) per rendere gli intervalli credibili generati più conservativi di quanto non sarebbero altrimenti utilizzando BKMR con VI. Si afferma inoltre che BKMR di VI con GLS fornisca tempi di analisi molto più rapidi rispetto ai metodi MCMC.
Viene fornita una descrizione della regressione della somma dei quantili ponderati (WQS) per strutture di dati altamente correlate J Agric Biol Environ Stat. 2015 marzo ; 20(1): 100–120 "Caratterizzazione della regressione della somma quantilica ponderata per dati altamente correlati in un contesto di analisi del rischio " doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
"Nella valutazione del rischio, l'effetto delle miscele di sostanze chimiche ambientali su un esito negativo comune è di interesse. Tuttavia, a causa dell'elevata dimensionalità e delle correlazioni intrinseche tra le sostanze chimiche che si verificano insieme, i metodi tradizionali (ad esempio la regressione ordinaria o logistica) soffrono di collinearità e inflazione della varianza, ei metodi di contrazione hanno limitazioni nella selezione tra componenti correlati. Proponiamo un approccio basato sulla somma dei quantili ponderati (WQS) per stimare un indice di carico corporeo, che identifica i "cattivi attori" in un insieme di sostanze chimiche ambientali altamente correlate. Valutiamo e caratterizziamo l'accuratezza della regressione WQS nella selezione delle variabili attraverso ampi studi di simulazione attraverso la sensibilità e la specificità (cioè, la capacità del metodo WQS di selezionare correttamente i cattivi attori e non quelli errati). Dimostriamo il miglioramento dell'accuratezza che questo metodo fornisce rispetto ai tradizionali metodi di regressione e restringimento ordinari (lazo, lazo adattivo e rete elastica). I risultati delle simulazioni dimostrano che la regressione WQS è accurata in alcune condizioni rilevanti dal punto di vista ambientale, ma la sua accuratezza diminuisce per un modello di correlazione fisso poiché l'associazione con una variabile di risposta diminuisce. Pesi diversi da zero (vale a dire, pesi che superano un parametro di soglia di selezione) possono essere utilizzati per identificare i cattivi attori; tuttavia, i componenti all'interno di un cluster di componenti attivi altamente correlati tendono ad avere pesi inferiori, con la somma dei loro pesi rappresentativa dell'insieme".
Ulteriori commenti sull'applicazione emergente e sull'uso dei metodi bayesiani nella costruzione di modelli per grandi set di dati clinici sono inclusi in un recente colloquio tra Chris Holmes (Professore di Biostatistica all'Università di Oxford) e Glenn Right Calopy qui: https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
