无金标准下评估测试准确性的潜类别多元 probit 模型与潜特质模型：一项模拟研究

在不完美金标准的情况下，潜类别建模可用于估计多项医学测试的准确性。然而，条件独立（CI）假设很少被认为是临床有效的。潜类别多元 probit（LC-MVP）模型和潜特质模型是两种可容纳条件依赖的模型。尽管 LC-MVP 具有更大的灵活性——能够建模完整相关矩阵，而潜特质模型结构受限——但潜特质模型一直被更广泛地使用。目前没有模拟研究直接比较这两种模型。我们开展了一项全面的模拟研究，在五种数据生成机制下比较了这两种模型：CI、低异质性（潜特质模型生成）和高异质性（LC-MVP 生成）相关结构。我们评估了多种先验，包括使用 Pinkney 方法的新型约束相关先验，该方法保持了先验的可解释性。模型使用我们的 BayesMVP R 包进行拟合，该包在这些本质上串行的模型上实现了类似 GPU 的加速。LC-MVP 模型表现出更优的整体性能。虽然潜特质模型在其自身生成的数据上表现尚可，但在高异质性结构上表现不佳，有时表现甚至不如 CI 模型。CI 模型在大多数依赖结构下表现糟糕。我们还发现了天花板效应：高敏感性降低了相关系数恢复的重要性，这解释了为何模型在相关系数恢复较差的情况下仍能取得良好性能的悖论。我们的结果强烈支持在实际应用中使用 LC-MVP。在现实的相关结构下，潜特质模型的严重后果使其成为风险较高的选择。然而，带有自定义相关约束和先验的 LC-MVP 为在无完美金标准下评估测试准确性提供了一个更安全、更灵活的框架。