贝叶斯集成学习用于预测多污染物混合物的健康结局
定量方法
2025-05-26 v1
摘要
我们引入贝叶斯集成学习中的 SoftBart 方法，用于估计流行病学研究中多污染物混合物与慢性暴露下的健康之间的关系。该方法在现有方法之上具有若干关键优势：(1) 计算效率高，适合分析大规模数据集；(2) 在同时估计各种相关非线性函数方面具有灵活性；(3) 能够在高度相关的多污染物混合物中准确识别活跃变量。通过模拟，我们通过比较该方法在估计主效应和交互效应的准确性以及量化不确定性方面与常用方法 BKMR 的表现，展示了该方法的优越性。最后，我们将该方法应用于分析来自护士健康研究的包含 10,110 名参与者的多污染物数据集。
引用
@article{arxiv.2505.17922,
title = {Bayesian ensemble learning for predicting health outcomes of multipollutant mixtures},
author = {Yu-Chien Ning and Xin Zhou and Francine Laden and Molin Wang},
journal= {arXiv preprint arXiv:2505.17922},
year = {2025}
}
备注
13 pages, 6 figures