针对自然间接效应定向惩罚的贝叶斯稀疏中介分析
应用统计
2020-08-17 v1
摘要
因果中介分析旨在刻画暴露对结局的效应，并量化经由给定中介或感兴趣中介组的间接效应。随着大量潜在中介（如表观基因组或微生物组）测量的可得性增加，需要新的统计方法在高维中介下同时进行处理，并直接对自然间接效应（NIE）进行定向惩罚以识别活跃中介。在此，我们开发两种新颖先验模型，通过在贝叶斯范式下惩罚 NIE 来识别高维中介分析中的活跃中介。两种方法均在暴露-中介效应与中介-结局效应上指定联合先验分布，分别采用 (a) 四分量高斯混合先验或 (b) 乘积阈值高斯先验。通过联合建模贡献于 NIE 的两个参数，所提方法能够以定向方式对其乘积进行惩罚。所得推断可考虑 NIE 底层的四分量复合结构。我们通过模拟表明，与其他竞争方法相比，所提方法提升了选择与估计精度。我们将方法应用于两项正在进行流行病学研究的深入分析：多民族动脉粥样硬化研究（MESA）与 LIFECODES 出生队列。两项研究中识别的活跃中介揭示了理解疾病机制的重要生物学通路。
引用
@article{arxiv.2008.06366,
title = {Bayesian Sparse Mediation Analysis with Targeted Penalization of Natural Indirect Effects},
author = {Yanyi Song and Xiang Zhou and Jian Kang and Max T. Aung and Min Zhang and Wei Zhao and Belinda L. Needham and Sharon L. R. Kardia and Yongmei Liu and John D. Meeker and Jennifer A. Smith and Bhramar Mukherjee},
journal= {arXiv preprint arXiv:2008.06366},
year = {2020}
}