稀疏响应下多元配对比例的贝叶斯分析
统计方法学
2023-05-08 v2
摘要
多元配对比例(MMP)数据出现在多种场景中,包括药物不良事件的上市后监测、疾病分类以及照护提供者间的一致性。它由对同一受试者采集的多组配对二值测量构成。尽管近期工作提出了非贝叶斯方法来处理MMP数据的复杂性,但稀疏响应(即一组或多组中未记录或极少记录到“是”响应)问题尚未得到解决。稀疏响应组的存在导致现有方法方差低估、覆盖丧失以及功效降低。贝叶斯方法此前未被考虑用于MMP数据,但在存在稀疏响应时提供了有用框架。特别地,贝叶斯probit模型为方差低估问题提供了优雅解。我们考察了基于该模型的三种途径:使用平坦先验的朴素分析、对均值模型方差使用半柯西先验的惩罚分析,以及采用贝叶斯函数主成分分析(FPCA)建模潜协方差的多元分析。我们表明多元分析在含稀疏响应的MMP数据上表现良好,并优于现有非贝叶斯方法。在对一项针对精神与行为障碍儿童照护系统(SOC)框架研究的数据重新分析中,我们能够提供更完整的数据关系图景。我们的分析提供了先前单变量分析所遗漏的关于SOC运作的额外见解。
引用
@article{arxiv.2108.04096,
title = {Bayesian Analysis of Multivariate Matched Proportions with Sparse Response},
author = {Mark J. Meyer and Haobo Cheng and Katherine Hobbs Knutson},
journal= {arXiv preprint arXiv:2108.04096},
year = {2023}
}