Danke @hha0101 für deinen Beitrag hier!
Ich füge einige Referenzen bei, um diese Bitte zu unterstützen.
Klein, R., & Coull, B. (2018). Ein Variations-Inferenz-Algorithmus für BKMR im Querschnittssetting. arXiv: Berechnung .( https://arxiv.org/pdf/1811.02609.pdf) vorschlagen Verwendung der Bayesian Kernel Machine Regression (BKMR) mit einem Variational Inference (VI)-Algorithmus, um bei der Handhabung eines nicht-longitudinalen Studiendesigns zu helfen (eines, das nicht dieselben Personen im Laufe der Zeit verfolgt). Es schlägt auch die Verwendung einer Modifikation der verallgemeinerten kleinsten Quadrate (GLS) vor, um die erzeugten glaubwürdigen Intervalle konservativer zu machen, als sie es sonst bei Verwendung von BKMR mit VI tun würden. BKMR von VI mit GLS soll im Vergleich zu MCMC-Methoden auch eine viel schnellere Analysezeit bieten.
Eine Beschreibung der Regression der gewichteten Quantilsumme (WQS) für stark korrelierte Datenstrukturen finden Sie unter J Agric Biol Environ Stat. 2015 März ; 20(1): 100–120 „Charakterisierung der gewichteten Quantilsummenregression für stark korrelierte Daten in einer Risikoanalyseumgebung " doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
„Bei der Risikobewertung ist die Wirkung von Mischungen von Umweltchemikalien auf ein gemeinsames unerwünschtes Ergebnis von Interesse. Aufgrund der hohen Dimensionalität und der inhärenten Korrelationen zwischen Chemikalien, die zusammen auftreten, leiden die traditionellen Methoden (z. B. gewöhnliche oder logistische Regression) jedoch unter Kollinearität und Varianzinflation, und Schrumpfungsmethoden haben Einschränkungen bei der Auswahl zwischen korrelierten Komponenten. Wir schlagen einen Ansatz mit gewichteten Quantilsummen (WQS) zur Schätzung eines Körperbelastungsindex vor, der „schlechte Akteure“ in einer Reihe hochgradig korrelierter Umweltchemikalien identifiziert. Wir bewerten und charakterisieren die Genauigkeit der WQS-Regression bei der Variablenauswahl durch umfangreiche Simulationsstudien durch Sensitivität und Spezifität (dh die Fähigkeit der WQS-Methode, die schlechten Akteure richtig und nicht die falschen auszuwählen). Wir demonstrieren die Verbesserung der Genauigkeit, die diese Methode gegenüber herkömmlichen gewöhnlichen Regressions- und Schrumpfungsmethoden (Lasso, adaptives Lasso und elastisches Netz) bietet. Ergebnisse aus Simulationen zeigen, dass die WQS-Regression unter einigen umweltrelevanten Bedingungen genau ist, aber ihre Genauigkeit nimmt für ein festes Korrelationsmuster ab, wenn die Assoziation mit einer Antwortvariablen abnimmt. Gewichtungen ungleich Null (dh Gewichtungen, die einen Auswahlschwellenwertparameter überschreiten) können verwendet werden, um schlechte Akteure zu identifizieren; Komponenten innerhalb eines Clusters hoch korrelierter aktiver Komponenten haben jedoch tendenziell geringere Gewichte, wobei die Summe ihrer Gewichte repräsentativ für den Satz ist.
Ein zusätzlicher Kommentar zur aufkommenden Anwendung und Verwendung von Bayes'schen Methoden bei der Modellerstellung für große klinische Datensätze ist in einem kürzlich erschienenen Vortrag zwischen Chris Holmes (Professor für Biostatistik an der Universität Oxford) und Glenn Right Calopy hier enthalten: https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
