Gracias @hha0101 por tu aporte aquí!
Incluyo algunas referencias para apoyar esta solicitud.
Pequeño, R., & Coull, B. (2018). Un algoritmo de inferencia variacional para BKMR en la configuración transversal. arXiv: Computación .( https://arxiv.org/pdf/1811.02609.pdf) proponer uso de la regresión de la máquina del núcleo bayesiano (BKMR) con un algoritmo de inferencia variacional (VI) para ayudar a manejar un diseño de estudio no longitudinal (uno que no rastrea a las mismas personas a lo largo del tiempo). También propone el uso de una modificación de Mínimos cuadrados generalizados (GLS) para hacer que los intervalos creíbles generados sean más conservadores de lo que serían de otro modo utilizando BKMR con VI. También se afirma que BKMR by VI con GLS proporciona un tiempo de análisis mucho más rápido en comparación con los métodos MCMC.
Se proporciona una descripción de la regresión de suma de cuantiles ponderados (WQS) para estructuras de datos altamente correlacionadas por J Agric Biol Medio Ambiente Stat. 2015 marzo; 20(1): 100–120 "Caracterización de la regresión de suma de cuantiles ponderados para datos altamente correlacionados en un entorno de análisis de riesgos " doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
"En la evaluación de riesgos, el efecto de las mezclas de productos químicos ambientales en un resultado adverso común es de interés. Sin embargo, debido a la alta dimensionalidad y las correlaciones inherentes entre los productos químicos que ocurren juntos, los métodos tradicionales (p. ej., regresión logística o ordinaria) sufren de colinealidad e inflación de la varianza, y los métodos de contracción tienen limitaciones para seleccionar entre componentes correlacionados. Proponemos un enfoque de suma de cuantiles ponderados (WQS) para estimar un índice de carga corporal, que identifica a los "malos actores" en un conjunto de sustancias químicas ambientales altamente correlacionadas. Evaluamos y caracterizamos la precisión de la regresión WQS en la selección de variables a través de extensos estudios de simulación a través de la sensibilidad y la especificidad (es decir, la capacidad del método WQS para seleccionar a los malos actores correctamente y no a los incorrectos). Demostramos la mejora en la precisión que proporciona este método con respecto a los métodos tradicionales de regresión ordinaria y reducción (lazo, lazo adaptativo y red elástica). Los resultados de las simulaciones demuestran que la regresión WQS es precisa en algunas condiciones ambientales relevantes, pero su precisión disminuye para un patrón de correlación fijo a medida que disminuye la asociación con una variable de respuesta. Se pueden utilizar ponderaciones distintas de cero (es decir, ponderaciones que exceden un parámetro de umbral de selección) para identificar a los malos actores; sin embargo, los componentes dentro de un grupo de componentes activos altamente correlacionados tienden a tener pesos más bajos, siendo la suma de sus pesos representativa del conjunto".
En una charla reciente entre Chris Holmes (profesor de bioestadística de la Universidad de Oxford) y Glenn Right Calopy, se incluye un comentario adicional sobre la aplicación emergente y el uso de métodos bayesianos en la construcción de modelos para grandes conjuntos de datos clínicos: https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
