用于混合治愈模型贝叶斯推断的拉普拉斯-P-样条方法

用于分析生存数据的混合治愈模型的特征在于如下假设：所研究的总体被划分为一组在有限时间范围内将经历关注事件的对象，以及另一组无论随访时长如何都永远不会经历该事件的治愈对象。当在具有治愈比例的生存模型中使用贝叶斯范式进行推断时，通常依赖马尔可夫链蒙特卡罗（MCMC）方法从后验分布中采样。尽管在计算上可行，MCMC 的迭代性质往往意味着较长的采样时间，且链可能存在收敛缓慢和混合不良的问题。本文提出了一种在混合治愈模型中进行快速且灵活的免采样贝叶斯推断的替代策略，其结合了拉普拉斯近似与惩罚 B 样条。对治愈比例假设一个逻辑回归模型，并使用具有 P 样条近似基线风险的 Cox 比例风险模型来指定易感对象的条件生存函数。对条件潜在向量的拉普拉斯近似基于对数似然的梯度与海森矩阵的分析公式，从而大幅加速了后验分布的近似。所提出的拉普拉斯-P-样条混合治愈（LPSMC）模型的统计性能与计算效率在一项模拟研究中得到评估。结果表明，LPSMC 是标准混合治愈模型中经典 MCMC 近似贝叶斯推断的一个有吸引力的替代方案。最后，该新颖的 LPSMC 方法在三个涉及真实生存数据的应用上进行了说明。