Merci @hha0101 pour votre contribution ici !
J'inclus quelques références pour appuyer cette demande.
Small, R., & Coull, B. (2018). Un algorithme d'inférence variationnelle pour BKMR dans le cadre transversal. arXiv : Calcul . ( https://arxiv.org/pdf/1811.02609.pdf) proposeL'utilisation de la régression bayésienne à noyau (BKMR) avec un algorithme d'inférence variationnelle (VI) permet de gérer une conception d'étude non longitudinale (qui ne suit pas le ou les mêmes individus au fil du temps). Il propose également l'utilisation d'une modification des moindres carrés généralisés (GLS) pour rendre les intervalles crédibles générés plus conservateurs qu'ils ne le seraient autrement en utilisant BKMR avec VI. BKMR par VI avec GLS est également censé fournir un temps d'analyse beaucoup plus rapide par rapport aux méthodes MCMC.
Une description de la régression de la somme des quantiles pondérés (WQS) pour les structures de données hautement corrélées est donnée par J Agric Biol Environ Stat. 2015 mars ; 20(1) : 100–120 « Caractérisation de la régression de la somme des quantiles pondérés pour les données hautement corrélées dans un contexte d'analyse des risques » doi:10.1007/s13253-014-0180-3 : https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
"Dans l'évaluation des risques, l'effet des mélanges de produits chimiques environnementaux sur un résultat négatif commun est intéressant. Cependant, en raison de la dimensionnalité élevée et des corrélations inhérentes entre les produits chimiques qui se produisent ensemble, les méthodes traditionnelles (par exemple, la régression ordinaire ou logistique) souffrent de colinéarité et d'inflation de variance, et les méthodes de rétrécissement ont des limites dans la sélection parmi les composants corrélés. Nous proposons une approche de somme quantile pondérée (WQS) pour estimer un indice de charge corporelle, qui identifie les « mauvais acteurs » dans un ensemble de produits chimiques environnementaux hautement corrélés. Nous évaluons et caractérisons la précision de la régression WQS dans la sélection des variables au moyen d'études de simulation approfondies grâce à la sensibilité et à la spécificité (c'est-à-dire la capacité de la méthode WQS à sélectionner correctement les mauvais acteurs et non les mauvais). Nous démontrons l'amélioration de la précision que cette méthode apporte par rapport aux méthodes traditionnelles de régression ordinaire et de rétrécissement (lasso, lasso adaptatif et filet élastique). Les résultats des simulations démontrent que la régression WQS est précise dans certaines conditions environnementales pertinentes, mais sa précision diminue pour un modèle de corrélation fixe à mesure que l'association avec une variable de réponse diminue. Des poids non nuls (c'est-à-dire des poids dépassant un paramètre de seuil de sélection) peuvent être utilisés pour identifier les mauvais acteurs ; cependant, les composants au sein d'un groupe de composants actifs hautement corrélés ont tendance à avoir des poids inférieurs, la somme de leurs poids étant représentative de l'ensemble.
Des commentaires supplémentaires sur l'application et l'utilisation émergentes des méthodes bayésiennes dans la construction de modèles pour de grands ensembles de données cliniques sont inclus dans une récente conférence entre Chris Holmes (professeur de biostatistique à l'Université d'Oxford) et Glenn Right Calopy ici : https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
