BAREB：一种用于牙周数据的贝叶斯排斥双聚类模型
应用统计
2019-07-16 v2 统计方法学
摘要
预防牙周病（PD）并维护牙齿的结构与功能是个人口腔护理的重要目标。为理解具有多样PD模式患者的异质性，我们开发了BAREB，一种贝叶斯排斥双聚类方法，可在考虑患者层面与位点层面协变量后，同时对PD患者及其牙位点进行聚类。BAREB采用行列式点过程（DPP）先验以在不同双聚类间引入多样性，从而促进简洁性与可解释性。由于假设PD进展具有空间参照性，BAREB纳入了牙位点间的空间依赖。此外，由于PD是牙齿脱落的首要原因，缺失数据机制是不可忽略的。此种非随机缺失被整合进BAREB。对于后验推断，我们设计了一种高效的 reversible jump Markov chain Monte Carlo 采样器。模拟研究表明BAREB能准确估计双聚类，且优于备选方法。在实际应用方面，我们将BAREB应用于一项临床PD研究的数据集，获得了理想且可解释的结果。本文的主要贡献之一是BAREB的Rcpp实现，可在 https://github.com/YanxunXu/ BAREB 获取。
引用
@article{arxiv.1902.05680,
title = {BAREB: A Bayesian repulsive biclustering model for periodontal data},
author = {Yuliang Li and Dipankar Bandyopadhyay and Fangzheng Xie and Yanxun Xu},
journal= {arXiv preprint arXiv:1902.05680},
year = {2019}
}