具有高维预测变量的多元结果的不利子群回归

生物医学研究普遍关注评估多个相关健康结果与高维预测变量之间的关系。例如，在生殖流行病学中，人们可能会收集诸如妊娠期长度和出生体重等妊娠结果，以及多个候选基因中的单核苷酸多态性和环境暴露等预测变量。在这种情况下，需要简单而灵活的方法，从高维候选预测变量集合中选择不利健康反应的真实预测变量。为了解决这个问题，人们可以考虑连续结果的线性回归模型，或者使用预定义的截断值将这些结果转换为不利反应的二元指标。前一种策略的缺点是通常导致模型拟合不佳，无法很好地预测风险，而后一种方法对截断值的选择非常敏感。作为一种简单而灵活的替代方法，我们提出了一种不利子群回归（ASPR）方法，该方法依赖于一个二分量潜类模型，其中主分量对应于（假定的）健康个体，而落入少数类别的风险通过逻辑回归来刻画。该逻辑回归模型旨在通过使用灵活的非参数多重收缩方法，以适应高维预测变量，例如在具有大量基因与环境交互的研究中出现的情况。我们开发了 Gibbs 采样器用于后验计算。这些方法通过模拟研究进行了评估，并应用于一项关于妊娠结果的遗传流行病学研究。