用于改善小样本亚群中弱分离饮食模式分型的树正则化贝叶斯潜类分析
统计方法学
2025-04-11 v2
摘要
饮食模式综合了多种相关饮食成分，营养研究者可用其考察饮食与疾病的关系。潜类模型（LCMs）已用于从膳食摄入评估中推导饮食模式，其中每个类别轮廓代表暴露于一组饮食成分的概率。然而，LCM推导的饮食模式可能表现出强相似性，即弱分离，导致数值和推断不稳定，给科学解释带来挑战。该问题在小样本亚群中更为严重。为解决这些问题，我们提供了一种简单方案，使LCMs能够改善饮食模式估计。我们开发了树正则化贝叶斯LCM，在饮食模式间共享统计强度，以利用有限数据做出更好的估计。这通过Dirichlet扩散树过程实现，该过程为类上未知树指定先验分布。在树中彼此邻近的饮食模式会依先验向祖先饮食模式收缩，收缩程度在不同预先指定的食物组中变化。利用西班牙裔社区健康研究/拉丁裔研究中的膳食摄入数据，我们将所提方法应用于496名南美族裔背景美国成年人的样本，以识别并比较饮食模式。
引用
@article{arxiv.2306.04700,
title = {Tree-Regularized Bayesian Latent Class Analysis for Improving Weakly Separated Dietary Pattern Subtyping in Small-Sized Subpopulations},
author = {Mengbing Li and Briana Stephenson and Zhenke Wu},
journal= {arXiv preprint arXiv:2306.04700},
year = {2025}
}