用于整合具有高维协变量的多个队列的倾向得分贝叶斯估计
统计方法学
2024-05-09 v2
摘要
通过整合多个观察性研究对受试者组进行比较的荟萃分析依赖于估计的倾向得分（PS）来减轻协变量不平衡。然而，PS估计面临着高维协变量带来的理论和实践挑战。受一项跨七个医疗中心的乳腺癌患者整合分析的启发，本文解决了整合多个观察性数据集的相关挑战。所提出的推断技术，称为协变量贝叶斯模体子矩阵（B-MSC），通过贝叶斯和频率学方法的混合来解决维度灾难。B-MSC使用非参数贝叶斯“中国餐馆”过程来消除高维协变量中的冗余，并发现潜在的模体或低维结构。利用这些模体作为潜在预测因子，可以使用标准回归技术来准确推断PS，并促进协变量平衡的组间比较。模拟和对激励性癌症研究的荟萃分析证明了B-MSC方法在整合具有高维协变量的观察性健康研究时，准确估计倾向得分和有效解决协变量不平衡的有效性。
引用
@article{arxiv.2312.07873,
title = {Bayesian Estimation of Propensity Scores for Integrating Multiple Cohorts with High-Dimensional Covariates},
author = {Subharup Guha and Yi Li},
journal= {arXiv preprint arXiv:2312.07873},
year = {2024}
}