基于中位数后验推断的可扩展高斯过程回归：用于估计多污染物混合物的健康效应
统计方法学
2026-04-09 v2
摘要
人类暴露于复杂的环境污染物混合物而非单一化学品， necessitating 方法来量化此类混合物的健康效应。环境混合物研究为现实暴露场景提供了见解，帮助制定更能保护公共健康的监管政策。然而，包括污染物之间复杂相关性以及非线性多变量暴露-反应关系等统计挑战，使此类分析复杂化。流行的贝叶斯半参数高斯过程回归框架（Coull 等，2015）通过高斯过程对暴露-反应函数进行建模，并进行特征选择以管理高维暴露，同时考虑混杂因素。该框架最初为小型至中等规模的队列研究设计，扩展性不足。为此，我们提出一种分割数据、并行计算后验分布并使用广义中位数组合结果的分割策略。虽然我们专注于环境混合物的高斯过程模型，但提出的分布式计算策略可广泛应用于其他计算难以完成的完整样本贝叶斯模型。我们对提出方法的后验分布收敛到完整样本派生的后验分布提供了理论保证。我们将此方法应用于估计环境混合物（包括元素碳、有机碳和 PM2.5）与约65万例2001-2012年马萨诸塞州出生体重之间的关联。我们的结果显示，出生体重与交通污染标记物（包括元素碳和有机碳以及PM2.5）呈负相关，而与臭氧和植被绿度呈正相关。
引用
@article{arxiv.2411.10858,
title = {Scalable Gaussian Process Regression Via Median Posterior Inference for Estimating Multi-Pollutant Mixture Health Effects},
author = {Aaron Sonabend and Jiangshan Zhang and Edgar Castro and Joel Schwartz and Brent A. Coull and Junwei Lu},
journal= {arXiv preprint arXiv:2411.10858},
year = {2026}
}