具有网络值协变量的半参数贝叶斯回归
统计方法学
2019-10-10 v1
摘要
人们日益认识到脑网络作为精神健康与精神病学研究中的神经影像生物标志物的作用。我们的关注点是创伤后应激障碍（PTSD），其中脑网络以复杂方式与环境暴露相互作用以驱动疾病进展。现有旨在刻画临床表型与脑网络整个边集之间关系的线性模型可能过于简化，且常涉及膨胀的参数数量，导致计算负担与估计不准确。作为首批此类努力之一，我们开发了一种新颖的两阶段贝叶斯框架：第一阶段使用潜标度方法为网络寻找节点特定的低维表示，第二阶段采用灵活的 Gaussian 过程回归框架，利用潜标度与其他补充协变量进行预测。所提方法放宽了线性假设，解决了维数灾难，并可扩展至高维网络，同时在网络的节点层面保持可解释性。广泛的模拟与来自我们 PTSD 动因应用的结果表明，相较于竞争的线性与非线性方法，所提方法在预测与覆盖方面具有明显优势。
引用
@article{arxiv.1910.03772,
title = {Semi-parametric Bayes Regression with Network Valued Covariates},
author = {Xin Ma and Suprateek Kundu and Jennifer Stevens},
journal= {arXiv preprint arXiv:1910.03772},
year = {2019}
}