谢谢@hha0101在这里为您做出贡献！
我包括一些参考资料来支持这个请求。
小，R.， & Coull, B. (2018)。 横截面设置中 BKMR 的变分推理算法。 arXiv：计算.( https://arxiv.org/pdf/1811.02609.pdf)提出使用贝叶斯核机回归 (BKMR) 和变分推理 (VI) 算法来帮助处理非纵向研究设计（不随时间跟踪同一个人的设计）。 它还建议使用广义最小二乘法 (GLS) 修改，以使生成的可信区间比使用带 VI 的 BKMR 更保守。 与 MCMC 方法相比，VI 和 GLS 的 BKMR 也声称提供了更快的分析时间。
给出了高度相关数据结构的加权分位数和 (WQS) 回归的描述J Agric Biol 环境统计。 2015年3月； 20（1）：100-120“风险分析环境中高度相关数据的加权分位数和回归的表征" doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
“在风险评估中，环境化学品混合物对常见不良结果的影响是令人感兴趣的。 然而，由于化学物质之间的高维度和内在相关性，传统方法（例如普通回归或逻辑回归）存在共线性和方差膨胀，收缩方法在选择相关成分方面存在局限性。 我们提出了一种加权分位数和 (WQS) 方法来估计身体负担指数，该方法可以识别一组高度相关的环境化学品中的“不良行为者”。 我们通过广泛的模拟研究通过敏感性和特异性（即，WQS 方法正确选择不良行为者而不是错误行为者的能力）来评估和表征 WQS 回归在变量选择中的准确性。 我们展示了这种方法相对于传统的普通回归和收缩方法（套索、自适应套索和弹性网络）在准确性方面的改进。 模拟结果表明，WQS 回归在某些环境相关条件下是准确的，但对于固定相关模式，其准确性会随着与响应变量的关联减少而降低。 非零权重（即超过选择阈值参数的权重）可用于识别不良行为者；然而，高度相关的活性成分簇中的成分往往具有较低的权重，它们的权重之和代表了该集合。”
Chris Holmes（牛津大学生物统计学教授）和 Glenn Right Calopy 最近的一次谈话中包含了关于贝叶斯方法在大型临床数据集模型构建中的紧急应用和使用的补充评论： https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
