감사합니다 @hha0101 여기에 당신의 기여!
이 요청을 지원하기 위해 몇 가지 참조를 포함합니다.
작은, R., & Coull, B. (2018). 단면 설정에서 BKMR에 대한 변형 추론 알고리즘. arXiv: 계산 .( https://arxiv.org/pdf/1811.02609.pdf) 제안하다 비종단적 연구 설계(시간 경과에 따라 동일한 개인을 추적하지 않는 설계)를 처리하는 데 도움이 되는 Variational Inference(VI) 알고리즘과 함께 Bayesian Kernel Machine Regression(BKMR)을 사용합니다. 또한 GLS(Generalized Least Squares) 수정을 사용하여 생성된 신뢰할 수 있는 구간을 VI와 함께 BKMR을 사용할 때보다 더 보수적으로 만들 것을 제안합니다. GLS를 사용한 VI의 BKMR은 MCMC 방법에 비해 훨씬 빠른 분석 시간을 제공한다고 주장됩니다.
상관관계가 높은 데이터 구조에 대한 WQS(Weighted Quantile Sum) 회귀에 대한 설명은 J Agric Biol 환경 통계. 2015년 3월 ; 20(1): 100–120 "위험 분석 설정에서 상관관계가 높은 데이터에 대한 가중 분위수 합계 회귀의 특성화 " doi:10.1007/s13253-014-0180-3: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6261506/pdf/nihms-993354.pdf .
"위험 평가에서 일반적인 불리한 결과에 대한 환경 화학 물질의 혼합물의 영향이 중요합니다. 그러나 함께 발생하는 화학 물질 간의 높은 차원성과 고유한 상관 관계로 인해 기존 방법(예: 일반 회귀 또는 로지스틱 회귀)은 공선성 및 분산 팽창 문제를 겪고 수축 방법은 상관 구성 요소 중에서 선택하는 데 한계가 있습니다. 우리는 고도로 상관된 환경 화학 물질 세트에서 "나쁜 행위자"를 식별하는 신체 부담 지수를 추정하기 위한 가중 분위수 합계(WQS) 접근 방식을 제안합니다. 우리는 민감도와 특이성(즉, WQS 방법이 잘못된 행위자가 아닌 잘못된 행위자를 올바르게 선택하는 능력)을 통한 광범위한 시뮬레이션 연구를 통해 변수 선택에서 WQS 회귀의 정확도를 평가하고 특성화합니다. 우리는 이 방법이 기존의 일반 회귀 및 수축 방법(올가미, 적응형 올가미 및 탄성망)보다 정확도가 향상되었음을 보여줍니다. 시뮬레이션 결과는 WQS 회귀가 일부 환경 관련 조건에서 정확하지만 응답 변수와의 연관성이 감소함에 따라 고정된 상관 패턴에 대해 정확도가 감소한다는 것을 보여줍니다. 0이 아닌 가중치(즉, 선택 임계값 매개변수를 초과하는 가중치)는 불량 행위자를 식별하는 데 사용될 수 있습니다. 그러나 상관관계가 높은 활성 구성 요소 클러스터 내의 구성 요소는 가중치가 더 낮은 경향이 있으며 가중치의 합은 집합을 나타냅니다."
대규모 임상 데이터 세트에 대한 모델 구축에서 베이지안 방법의 출현 및 사용에 대한 추가 논평은 Chris Holmes(옥스포드 대학 생물통계학 교수)와 Glenn Right Calopy 사이의 최근 대화에 포함되어 있습니다. https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
