回归校准方法的推广及其与贝叶斯和频率派模型平均方法的比较
定量方法
2024-03-15 v3
摘要
对于许多癌症部位，低剂量风险是未知的，必须从在更高剂量水平暴露的群体中观察到的风险进行推断。测量误差可以显著改变剂量-反应形状，从而改变推断的风险。最近，处理共享误差的方法受到了广泛关注，这些方法在职业和环境暴露场景中尤为重要。在本文中，我们测试了贝叶斯模型平均（BMA）和频率派模型平均（FMA）方法，前者类似于所谓的贝叶斯二维蒙特卡洛（2DMC）方法，两者均是最近提出的，而对比对象是一种非常新提出的回归校准方法的修改，即扩展回归校准（ERC）方法。当假设为线性模型时，quasi-2DMC+BMA 方法表现良好，但当假设为线性二次模型时表现不佳。当假设为线性模型时，FMA 的表现与 quasi-2DMC+BMA 一样好，并且对于线性二次模型通常要好得多，尽管二次项系数的覆盖概率一致过高。当共享和非共享 Berkson 误差都很大（50%）时，ERC 的覆盖概率过低，尽管在其他情况下表现良好，并且覆盖概率通常优于 quasi-2DMC+BMA 或 FMA 方法，特别是对于线性二次模型。在多种剂量下，预测相对风险的偏差通常在 ERC 中最小，而在 quasi-2DMC+BMA 和 FMA 中最大，标准回归校准和蒙特卡洛最大似然法在预测相对风险上的偏差通常介于 ERC 和其他两种方法之间。总体而言，ERC 在所呈现的场景中表现最佳，在可能存在大量共享误差或剂量-反应中存在疑似曲率的情况下，应作为首选方法。
引用
@article{arxiv.2312.02215,
title = {A generalisation of the method of regression calibration and comparison with Bayesian and frequentist model averaging methods},
author = {Mark P Little and Nobuyuki Hamada and Lydia B Zablotska},
journal= {arXiv preprint arXiv:2312.02215},
year = {2024}
}
备注
5 Tables. Fortran code supplied externally