面向异方差健康结局数据的贝叶斯核机器回归
统计方法学
2025-05-30 v1 应用统计
摘要
近年来，环境流行病学领域越来越重视理解金属、化学物质和污染物混合物对健康的影响。贝叶斯核机器回归（BKMR）是一种在环境混合物研究中获得显著关注的统计方法，因为它能够考虑暴露与健康结局之间的复杂非线性关系，并能够识别暴露之间的交互效应。然而，BKMR 做出了一个关键假设，即误差项具有恒定方差，而这一假设在实践中通常未被检验。在本文中，我们创建了一个诊断函数，用于在实践中检验这一恒定方差假设，并针对不满足该假设的环境混合物分析开发了异方差 BKMR（HBKMR）。通过为误差项方差参数指定贝叶斯层次方差模型，HBKMR 生成了环境混合物健康效应的更新估计及其相应的 95% 可信区间。我们在两项启发本研究的真实世界案例研究中应用了 HBKMR：1) 检查产前金属暴露对苏里南幼儿行为问题的影响；2) 评估金属暴露对肯塔基州燃煤电厂附近儿童简单反应时间的影响。在这两项案例研究中，与 BKMR 相比，HBKMR 在模型拟合上均有显著改善，在考虑异方差性后，某些混合物效应估计值存在差异，且 95% 可信区间通常更窄。
引用
@article{arxiv.2505.23644,
title = {Bayesian kernel machine regression for heteroscedastic health outcome data},
author = {Melissa J. Smith and Ihsan E. Buker and Kristina M. Zierold and Lonnie Sears and Cassandra Newsom and Wilco Zijlmans and Maureen Lichtveld and Jeffrey K. Wickliffe},
journal= {arXiv preprint arXiv:2505.23644},
year = {2025}
}