针对多项结果 BART 的推断方法

Yizhen Xu; Joseph W. Hogan; Michael J. Daniels; Rami Kantor; Ann Mwangi

针对多项结果 BART 的推断方法

统计方法学 2022-08-16 v2 机器学习机器学习

作者: Yizhen Xu , Joseph W. Hogan , Michael J. Daniels , Rami Kantor , Ann Mwangi

摘要

多项 probit 贝叶斯加性回归树(MPBART)框架由 Kindo 等人(KD)提出,其利用 BART(Chipman 等人,2010)近似多项 probit(MNP)模型中的潜效用。与多项 logistic 模型相比,MNP 不假设独立备选方案,且备选方案间的相关结构可通过多元高斯分布的潜效用指定。我们提出两种用于拟合 MPBART 的新算法,并证明我们所提算法的理论混合速率等于或优于 KD 中现有算法。通过模拟,我们探究了这些方法对参考水平选择、结果频率不平衡以及效用误差项先验超参数设定的稳健性。该工作受以下应用启发:基于肯尼亚学术医疗可及模型(AMPATH)的电子健康记录(EHRs),为 HIV 阳性患者的死亡率与医疗参与度生成后验预测分布。在应用与模拟中,相较于 KD,我们观察到所提算法在 MCMC 收敛速率与后验预测精度方面表现更优。

关键词

多项 probit BART 贝叶斯加性回归树 MCMC 收敛后验预测精度潜效用 HIV 电子健康记录分析

引用

@article{arxiv.2101.06823,
  title  = {Inference for BART with Multinomial Outcomes},
  author = {Yizhen Xu and Joseph W. Hogan and Michael J. Daniels and Rami Kantor and Ann Mwangi},
  journal= {arXiv preprint arXiv:2101.06823},
  year   = {2022}
}

备注

23 pages, 12 tables, 6 figures, with appendix, 49 pages total

针对多项结果 BART 的推断方法

摘要

关键词

引用

备注

相关论文