精神健康病例对照研究中贝叶斯层次模型设定的建议

在精神健康领域的认知与行为病例对照研究中，层次模型拟合已变得十分普遍。然而，这些技术要求我们形式化关于群体层面数据生成过程的假设，而该过程可能未知。具体而言，研究者通常必须选择是假设所有受试者均抽取自一个共同总体，还是将其建模为源自不同总体。这些假设对计算精神病学具有深远影响，因为它们影响由此得到的推断（潜在参数恢复），并可能混淆或掩盖真实的群体层面差异。为检验这些假设，我们在一个常用的多臂老虎机任务（强化学习任务）的合成多群体行为数据上进行了系统性模拟。随后，我们在两种常用的生成建模假设下考察了潜在参数空间中群体差异的恢复情况：（1）在共同共享的群体层面先验下对群体建模（假设所有参与者均从同一分布生成，且可能具有共同特征）；（2）基于症状学或诊断标签对独立群体建模，从而产生独立的群体层面先验。我们评估了这些方法在多种指标下对数据质量与先验设定变化的鲁棒性。我们发现，在各条件下，对群体分别拟合（假设2）提供了最准确且最鲁棒的推断。我们的结果表明，在处理来自多个临床群体的数据时，研究者应分别分析患者与对照组，因为这样能对感兴趣的参数提供最准确且最鲁棒的恢复。