感谢@hha0101在此的贡献！
我提供了一些参考资料来支持这一请求。
Small, R. 和 Coull, B. (2018)。横截面设置中的 BKMR 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体的设计）。它还建议使用广义最小二乘 (GLS) 修改，使生成的可信区间比使用 BKMR 和 VI 生成的可信区间更保守。据称，与 MCMC 方法相比，使用 GLS 的 VI 生成的 BKMR 还可以提供更快的分析时间。
关于高度相关数据结构的加权分位数和 (WQS) 回归的描述，请参阅《J Agric Biol Environ Stat.》 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特征” 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，环境化学物质混合物对常见不良结果的影响是令人感兴趣的。然而，由于同时出现的化学物质具有高维性和固有相关性，传统方法（例如普通或逻辑回归）存在共线性和方差膨胀问题，而收缩方法在选择相关成分时存在局限性。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物质中的“不良因素”。我们通过广泛的模拟研究，通过敏感性和特异性（即 WQS 方法正确选择不良因素而不是错误因素的能力）来评估和描述 WQS 回归在变量选择中的准确性。我们证明了该方法比传统的普通回归和收缩方法（套索、自适应套索和弹性网络）的准确性有所提高。模拟结果表明，WQS 回归在某些环境相关条件下是准确的，但对于固定的相关模式，其准确性会随着与响应变量的关联性减弱而降低。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，高度相关的活动组件集群中的组件往往具有较低的权重，其权重总和代表该集合。”
关于贝叶斯方法在大型临床数据集模型构建中的新兴应用和使用的补充评论，请参阅 Chris Holmes（牛津大学生物统计学教授）和 Glenn Right Calopy 之间的最新演讲：https: //www.youtube.com/watch ?v=lvkT-i0ki4Y&t=1683s
