面向医学研究的高效先验敏感性与临界点分析：重访采样重要性重抽样
统计方法学
2025-10-14 v1 统计计算
摘要
贝叶斯方法在医学研究中日益受到关注，其中先验分布的敏感性分析至关重要。这类分析通常需要在多个备选先验设置下评估参数的后验分布。当目标参数的后验分布无法解析推导时，标准做法是对每种设置重新拟合马尔可夫链蒙特卡洛（MCMC）算法，由此带来巨大的计算开销。这一问题在临界点分析中尤为突出，因为需要在逐渐变化的借用程度下反复评估后验分布。采样重要性重抽样（SIR）提供了一种高效的替代方案，它无需重新拟合 MCMC 即可在新设置下近似得到后验样本。然而，据我们所知，其效用尚未在涉及重复 MCMC 的场景（例如临界点分析）或复杂贝叶斯模型的应用中得到评估。本研究通过两个案例研究重新评估了 SIR 的效用：一个涉及外部数据借用下的临界点分析，另一个涉及荟萃分析中非参数贝叶斯模型的敏感性分析。这些示例表明，SIR 能够在保持合理近似精度的同时显著降低计算成本。
引用
@article{arxiv.2510.10034,
title = {Efficient Prior Sensitivity and Tipping-point Analysis for Medical Research: Revisiting Sampling Importance Resampling},
author = {Tomohiro Ohigashi and Shonosuke Sugasawa},
journal= {arXiv preprint arXiv:2510.10034},
year = {2025}
}