变量与函数选择方法在估计相关化学混合物非线性健康效应中的表现:一项模拟研究
应用统计
2020-11-11 v1
摘要
用于识别相关混合物中有害化学物质的统计方法通常假设暴露—反应关系为线性。非单调关系正日益受到重视(例如内分泌干扰物);然而,非单调性对暴露选择的影响尚未得到评估。在一项模拟研究中,我们评估了贝叶斯核机器回归(BKMR)、贝叶斯加性回归树(BART)、带 spike-slab 先验的贝叶斯结构化加性回归(BSTARSS)以及 lasso 惩罚回归的表现。我们利用来自美国全国健康与营养检查调查中孕妇对 12 种邻苯二甲酸酯和酚类物质的暴露数据,通过多元 copula 模拟出真实的暴露数据。我们模拟了样本量 N = 250 的数据集,并在 32 种情景下比较各方法,这些情景在模型规模与稀疏性、信噪比、相关结构以及暴露—反应关系形状上有所不同。我们根据灵敏度、特异度和估计准确度对各方法进行比较。在大多数情景中,BKMR 与 BSTARSS 达到了中等至较高的特异度(分别为 0.56–0.91 和 0.57–0.96)和灵敏度(分别为 0.49–0.98 和 0.25–0.97)。BART 达到了高特异度( 0.96),但灵敏度低至中等(0.13–0.66)。Lasso 灵敏度很高(0.75–0.99),但在对称倒 U 形关系下除外( 0.2)。表现受信噪比影响,但未受相关结构显著影响。假设线性的惩罚回归方法(如 lasso)可能不适用于研究假设与环境化学物质具有非单调结局关系的研究。相反,BKMR 与 BSTARSS 是灵活估计暴露—反应关系形状并在相关暴露中进行选择的颇具吸引力的方法。
引用
@article{arxiv.1908.01583,
title = {Performance of variable and function selection methods for estimating the non-linear health effects of correlated chemical mixtures: a simulation study},
author = {Nina Lazarevic and Luke D. Knibbs and Peter D. Sly and Adrian G. Barnett},
journal= {arXiv preprint arXiv:1908.01583},
year = {2020}
}