@hha0101さん、ここにご投稿いただきありがとうございます!
この要求を裏付ける参考資料をいくつか含めます。
Small, R., & Coull, B. (2018). 横断的設定におけるBKMRの変分推論アルゴリズム。arXiv : Computation . ( https://arxiv.org/pdf/1811.02609.pdf)提案非縦断的研究設計（時間の経過に伴って同じ個人を追跡しない研究設計）の処理を支援するために、変分推論（VI）アルゴリズムを使用したベイジアンカーネルマシン回帰（BKMR）の使用。また、一般化最小二乗法（GLS）の修正を使用して、生成される信頼区間を、VIを使用したBKMRを使用する場合よりも保守的にすることを提案しています。GLSを使用したVIによるBKMRは、MCMC法と比較して分析時間が大幅に短縮されるとも主張されています。
高度に相関したデータ構造に対する加重分位和 (WQS) 回帰の説明は、 農業生物環境統計誌 2015 年 3 月; 20(1): 100–120「リスク分析設定における高度に相関したデータに対する加重分位和回帰の特性」 doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf に記載されています。
「リスク評価では、環境化学物質の混合物が共通の悪影響に与える影響が重要です。しかし、一緒に発生する化学物質間の高次元性と固有の相関関係のため、従来の方法 (通常の回帰やロジスティック回帰など) は共線性と分散膨張に悩まされ、収縮法は相関成分の選択に限界があります。私たちは、相関性の高い環境化学物質のセットから「悪質な要因」を特定する体内負荷指数を推定するための加重分位和 (WQS) アプローチを提案します。感度と特異度 (つまり、WQS 法が悪質な要因を正しく選択し、間違ったものを選択しない能力) による広範なシミュレーション研究を通じて、変数選択における WQS 回帰の精度を評価し、特徴付けます。この方法により、従来の通常の回帰法や収縮法 (Lasso、適応 Lasso、エラスティック ネット) よりも精度が向上することを実証します。シミュレーションの結果から、WQS 回帰は環境に関連する一部の条件下では正確ですが、応答変数との関連が固定された相関パターンでは精度が低下することが実証されています。減少します。非ゼロの重み (つまり、選択しきい値パラメータを超える重み) は、悪質なアクターを識別するために使用される場合があります。ただし、相関性の高いアクティブ コンポーネントのクラスター内のコンポーネントは重みが低くなる傾向があり、それらの重みの合計がセットを表します。"
大規模な臨床データセットのモデル構築におけるベイズ法の新たな応用と使用に関する追加解説は、クリス・ホームズ（オックスフォード大学生物統計学教授）とグレン・ライト・カロピーの最近の講演で紹介されています。https: //www.youtube.com/watch ?v=lvkT-i0ki4Y&t=1683s
