@hha0101 님, 여기에 기여해주셔서 감사합니다!
이 요청을 뒷받침하는 몇 가지 참고문헌을 포함했습니다.
Small, R., & Coull, B. (2018). 횡단면 설정에서 BKMR을 위한 변분 추론 알고리즘. arXiv: 계산 . ( https://arxiv.org/pdf/1811.02609.pdf) 제안비종단적 연구 설계(시간 경과에 따라 동일한 개인을 추적하지 않는 설계)를 처리하는 데 도움이 되는 변분 추론(VI) 알고리즘을 사용한 베이지안 커널 머신 회귀(BKMR) 사용. 또한 BKMR과 VI를 사용할 때보다 생성된 신뢰 구간을 더 보수적으로 만들기 위해 일반화 최소 제곱법(GLS) 수정을 사용하는 것을 제안합니다. GLS를 사용한 BKMR by VI는 MCMC 방법에 비해 분석 시간이 훨씬 빠르다고 주장합니다.
높은 상관관계를 갖는 데이터 구조에 대한 가중 분위수 합계(WQS) 회귀에 대한 설명은 농업생물환경통계학회지 2015년 3월; 20(1): 100–120 "위험 분석 설정에서 높은 상관관계를 갖는 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.pdf에 따라 제공됩니다.
"위험 평가에서 환경 화학 물질의 혼합물이 일반적인 부작용에 미치는 영향은 관심사입니다. 그러나 함께 발생하는 화학 물질 간의 높은 차원성과 내재적 상관 관계로 인해 기존 방법(예: 일반 회귀 또는 로지스틱 회귀)은 공선성과 분산 인플레이션으로 어려움을 겪고 수축 방법은 상관 관계가 있는 구성 요소 중에서 선택하는 데 한계가 있습니다. 우리는 상관 관계가 높은 환경 화학 물질 집합에서 "나쁜 행위자"를 식별하는 신체 부담 지수를 추정하는 가중 분위수 합(WQS) 접근 방식을 제안합니다. 우리는 민감도와 특이도(즉, WQS 방법이 나쁜 행위자를 올바르게 선택하고 잘못된 행위자를 선택하지 않는 능력)를 통해 광범위한 시뮬레이션 연구를 통해 변수 선택에서 WQS 회귀의 정확성을 평가하고 특성화합니다. 우리는 이 방법이 기존의 일반 회귀 및 수축 방법(라소, 적응 라소 및 탄성 네트)보다 정확도가 향상되었음을 보여줍니다. 시뮬레이션 결과에 따르면 WQS 회귀는 일부 환경적으로 관련된 조건에서 정확하지만 응답 변수와의 연관성이 감소함에 따라 고정 상관 패턴의 정확도가 감소합니다. 0이 아닌 가중치(즉, 선택 임계값 매개변수를 초과하는 가중치)는 불량 행위자를 식별하는 데 사용될 수 있습니다. 그러나 높은 상관관계를 갖는 활성 구성 요소 클러스터 내의 구성 요소는 가중치가 낮은 경향이 있으며 가중치의 합은 세트를 나타냅니다.
대규모 임상 데이터 세트에 대한 모델 구축에서 베이지안 방법의 새로운 응용 및 사용에 대한 추가 해설은 최근 옥스퍼드 대학교 생물통계학 교수인 크리스 홈즈와 글렌 라이트 칼로피의 강연에 포함되어 있습니다: https://www.youtube.com/watch?v=lvkT-i0ki4Y&t=1683s
