¡Gracias @hha0101 por tu contribución aquí!
Incluyo algunas referencias para apoyar esta solicitud.
Small, R. y Coull, B. (2018). Un algoritmo de inferencia variacional para BKMR en el contexto transversal. arXiv: Computación . ( https://arxiv.org/pdf/1811.02609.pdf ) proponeUso de la regresión de máquina de núcleo bayesiano (BKMR) con un algoritmo de inferencia variacional (VI) para ayudar a manejar un diseño de estudio no longitudinal (uno que no rastrea al mismo individuo(s) 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 otra manera utilizando BKMR con VI. También se afirma que BKMR por 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 cuantil ponderada (WQS) para estructuras de datos altamente correlacionadas según J. Agric. Biol. Environ. Stat. 2015 marzo; 20(1): 100–120 "Caracterización de la regresión de suma cuantil ponderada para datos altamente correlacionados en un entorno de análisis de riesgo " 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 sustancias químicas ambientales en un resultado adverso común es de interés. Sin embargo, debido a la alta dimensionalidad y las correlaciones inherentes entre las sustancias químicas que se producen juntas, los métodos tradicionales (por ejemplo, la 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 ponderada (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 estudios de simulación extensivos a través de la sensibilidad y 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 sobre la regresión ordinaria tradicional y los métodos de contracción (lasso, lasso adaptativo y red elástica). Los resultados de las simulaciones demuestran que la regresión WQS es precisa en algunas condiciones ambientalmente relevantes, pero su precisión disminuye para un patrón de correlación fijo a medida que disminuye la asociación con una variable de respuesta. Se pueden usar pesos distintos de cero (es decir, pesos que exceden un parámetro de umbral de selección) para identificar actores maliciosos; sin embargo, los componentes dentro de un grupo de componentes activos altamente correlacionados tienden a tener pesos más bajos, y la suma de sus pesos es representativa del conjunto".
Se incluyen comentarios adicionales sobre la aplicación y el uso emergentes de métodos bayesianos en la construcción de modelos para grandes conjuntos de datos clínicos en una charla reciente entre Chris Holmes (profesor de bioestadística en la Universidad de Oxford) y Glenn Right Calopy aquí: https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
