利用高斯过程识别暴露因素间的主效应与交互作用
应用统计
2020-04-17 v2
摘要
本文的动机源于研究不同化学暴露对人体健康结局联合效应的课题。这本质上是一个非参数回归问题，关注点不在于用于预测的黑箱，而在于主效应与交互作用的选择。为可解释性起见，我们将期望健康结局分解为线性主效应、两两交互作用以及非线性偏差。我们的兴趣在于对这些不同组分进行模型选择，同时考虑不确定性并解决半参数模型中线性与非参数组分之间的不可辨识性。我们提出了一种贝叶斯推断方法，在不同组分上施加变量选择先验，并开发了马尔可夫链蒙特卡罗（MCMC）算法。我们方法的一个关键部分是将空间统计文献中发展的投影方法加以改造，以在使用高斯过程对非参数组分建模时强制可辨识性。我们还采用降维策略来抽样非线性随机效应，从而改善 MCMC 算法的混合。所提出的 MixSelect 框架通过模拟研究进行了评估，并利用来自国家健康与营养检查调查（NHANES）的数据加以说明。代码已在 GitHub 上提供。
引用
@article{arxiv.1911.01910,
title = {Identifying main effects and interactions among exposures using Gaussian processes},
author = {Federico Ferrari and David B. Dunson},
journal= {arXiv preprint arXiv:1911.01910},
year = {2020}
}