Vielen Dank @hha0101 für Ihren Beitrag hier!
Ich füge einige Referenzen bei, um diese Anfrage zu unterstützen.
Small, R., & Coull, B. (2018). Ein variationsbasierter Inferenzalgorithmus für BKMR im Querschnittsumfeld. arXiv: Berechnung . ( https://arxiv.org/pdf/1811.02609.pdf) vorschlagenVerwendung von Bayesian Kernel Machine Regression (BKMR) mit einem Variational Inference (VI)-Algorithmus, um ein nicht-longitudinales Studiendesign (das nicht die gleiche(n) Person(en) über einen bestimmten Zeitraum verfolgt) zu handhaben. Es wird auch die Verwendung einer Generalized Least Squares (GLS)-Modifikation vorgeschlagen, um die generierten glaubwürdigen Intervalle konservativer zu gestalten, als sie es sonst bei Verwendung von BKMR mit VI wären. BKMR durch VI mit GLS soll außerdem eine viel schnellere Analysezeit im Vergleich zu MCMC-Methoden bieten.
Eine Beschreibung der Weighted Quantile Sum (WQS)-Regression für hochkorrelierte Datenstrukturen findet sich in J Agric Biol Environ Stat. 2015 März; 20(1): 100–120 „Characterization of Weighted Quantile Sum Regression for Highly Correlated Data in a Risk Analysis Setting “ 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 Auswirkung von Mischungen von Umweltchemikalien auf ein gemeinsames negatives Ergebnis von Interesse. Aufgrund der hohen Dimensionalität und der inhärenten Korrelationen zwischen Chemikalien, die gemeinsam auftreten, leiden die herkömmlichen 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 gewichteten Quantilsummenansatz (WQS) zur Schätzung eines Körperbelastungsindex vor, der „schlechte Akteure“ in einer Reihe stark korrelierter Umweltchemikalien identifiziert. Wir bewerten und charakterisieren die Genauigkeit der WQS-Regression bei der Variablenauswahl durch umfangreiche Simulationsstudien hinsichtlich Sensitivität und Spezifität (d. h. Fähigkeit der WQS-Methode, die schlechten Akteure richtig und nicht die falschen auszuwählen). Wir demonstrieren die Genauigkeitsverbesserung, 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, ihre Genauigkeit jedoch bei einem festen Korrelationsmuster abnimmt, wenn die Assoziation mit einer Antwortvariablen abnimmt. Gewichtungen ungleich Null (d. h. Gewichtungen, die einen Auswahlschwellenwertparameter überschreiten) können zur Identifizierung böswilliger Akteure verwendet werden; Komponenten innerhalb eines Clusters stark korrelierter aktiver Komponenten haben jedoch tendenziell geringere Gewichtungen, wobei die Summe ihrer Gewichtungen repräsentativ für die Menge ist.“
Weitere Kommentare zur neuen Anwendung und Nutzung bayesscher Methoden beim Modellieren großer klinischer Datensätze finden Sie in einem aktuellen Vortrag zwischen Chris Holmes (Professor für Biostatistik an der Universität Oxford) und Glenn Right Calopy hier: https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
