BayesTime：面向稀疏纵向数据的贝叶斯函数主成分分析
统计方法学
2020-12-02 v1
摘要
对非线性时间轨迹的建模在许多应用领域（如纵向微生物组分析）中具有根本性的意义。许多现有方法侧重于估计平均轨迹，但评估个体受试者的时间模式也常具价值。稀疏主成分分析（SFPCA）可作为评估非线性轨迹中个体变异的有用工具；然而其在真实数据上的应用常需要谨慎的模型选择准则与诊断工具。在此我们提出一种贝叶斯方法来处理 SFPCA，其允许用户使用带 Pareto 平滑重要性采样（PSIS）的高效留一交叉验证（LOO）进行模型选择，并利用由 PSIS-LOO 估计的形状参数以及后验预测检验进行图形化模型诊断。该贝叶斯实现因而使得 SFPCA 能谨慎地应用于广泛的纵向数据问题中。
引用
@article{arxiv.2012.00579,
title = {BayesTime: Bayesian Functional Principal Components for Sparse Longitudinal Data},
author = {Lingjing Jiang and Yuan Zhong and Chris Elrod and Loki Natarajan and Rob Knight and Wesley K. Thompson},
journal= {arXiv preprint arXiv:2012.00579},
year = {2020}
}