基于欠识别模型的群体归因度量的贝叶斯推断
统计方法学
2021-05-28 v1
摘要
人群归因危险度（PAR）在流行病学中用于预测从人群中移除某危险因素的影响。直到最近，文献中尚无计算 PAR 置信区间或方差的标准方法。Pirikahu 等人（2016）概述了一种完全贝叶斯方法，从以 2×2 表形式呈现数据的横断面研究中为 PAR 提供可信区间。然而，未提供适用于其他常用研究设计的扩展。本文中，我们提供了计算病例对照研究与队列研究 PAR 可信区间的方法。此外，我们将横断面示例扩展以纳入使用不完美诊断试剂时所产生不确定性的考量。在所有这些情形下，模型变得过参数化或不可识别，这可能导致标准“现成”马尔可夫链蒙特卡洛更新器收敛缓慢甚至完全失败。我们采用重要性抽样方法克服此问题，并提出了一些考虑后验脊形状以促进马尔可夫链收敛的新颖 MCMC 采样器。
引用
@article{arxiv.2105.12901,
title = {Bayesian Inference for Population Attributable Measures from Under-identified Models},
author = {Sarah Pirikahu and Geoffrey Jones and Martin Hazelton},
journal= {arXiv preprint arXiv:2105.12901},
year = {2021}
}
备注
26 pages, 5 tables, 2 figures