基于广义贝叶斯推断的线性个性化最小临床重要差异

最小临床重要差异（MCID）的推断是医学中一个重要的实际问题。其基本思想是，治疗具有统计显著性未必能改善患者的健康状况。MCID被定义为这样一个阈值：若某项诊断指标超过该阈值，则患者更有可能察觉到改善。典型的建模方式采用欠指定模型，使得真正的贝叶斯解难以实现。在此，针对一个具有挑战性的个性化MCID问题——即实际显著的阈值依赖于患者特征——我们基于一个工作二元分位数回归模型，提出了一种新颖的广义后验分布，可用于估计与推断。该表述的优势有两方面：我们能在理论上控制误指定模型的偏差，并且它具有潜变量表示，可用于高效的Gibbs抽样。为确保广义贝叶斯推断达到一定程度的频率学派可靠性，我们提出了一种所谓广义后验校准算法的变体，以适当调节所提后验的散布程度。