Grazie @hha0101 per il tuo contributo!
Allego alcuni riferimenti a supporto di questa richiesta.
Small, R., & Coull, B. (2018). Un algoritmo di inferenza variazionale per BKMR nell'impostazione trasversale. arXiv: Calcolo . ( https://arxiv.org/pdf/1811.02609.pdf) proponeutilizzo di Bayesian Kernel Machine Regression (BKMR) con un algoritmo Variational Inference (VI) per aiutare a gestire un disegno di studio non longitudinale (uno che non traccia gli stessi individui nel tempo). Propone inoltre l'uso di una modifica Generalized Least Squares (GLS) per rendere gli intervalli credibili generati più conservativi di quanto non sarebbero altrimenti utilizzando BKMR con VI. Si sostiene inoltre che BKMR di VI con GLS fornisca tempi di analisi molto più rapidi rispetto ai metodi MCMC.
Una descrizione della regressione della somma ponderata dei quantili (WQS) per strutture di dati altamente correlate è fornita da J Agric Biol Environ Stat. 2015 marzo; 20(1): 100–120 "Caratterizzazione della regressione della somma ponderata dei quantili 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 risultato avverso comune è di interesse. Tuttavia, a causa dell'elevata dimensionalità e delle correlazioni intrinseche tra sostanze chimiche che si verificano insieme, i metodi tradizionali (ad esempio la regressione ordinaria o logistica) soffrono di collinearità e inflazione della varianza, e i metodi di restringimento hanno limitazioni nella selezione tra componenti correlate. Proponiamo un approccio di somma quantile ponderata (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 sensibilità e specificità (vale a dire, 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 ordinaria e restringimento (lazo, lazo adattivo e rete elastica). I risultati delle simulazioni dimostrano che la regressione WQS è accurata in alcune condizioni rilevanti per l'ambiente, ma la sua accuratezza diminuisce per un modello di correlazione fisso man mano che diminuisce l'associazione con una variabile di risposta. Per identificare gli attori malintenzionati possono essere utilizzati pesi diversi da zero (vale a dire pesi che superano un parametro di soglia di selezione); 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 l'uso di metodi bayesiani nella creazione di modelli per grandi set di dati clinici sono inclusi in un recente discorso 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
