利用贝叶斯潜高斯图模型推断口头尸检中的症状关联
应用统计
2019-07-25 v4
摘要
学习混合类型变量间的依赖关系在多种科学场景中提供洞见，是统计学中研究充分的问题。然而，现有方法通常依赖大量高质量数据以准确学习关联。在本文中，我们针对一类科学场景发展了一种方法：其中学习依赖结构至关重要，但数据稀疏且缺失值比例高。具体而言，我们的工作受基于调查的死因评估（称为口头尸检（VAs））所推动。我们提出一种贝叶斯方法，使用潜高斯图模型刻画依赖关系，该模型在变量的边际分布上融入信息性先验。我们证明此类信息可改善依赖结构的估计，尤其在训练数据很少的情况下。我们表明我们的方法可集成到现有概率死因分配算法中，并在恢复症状间依赖模式的同时提升模型性能，这些模式可为未来数据收集中的高效问卷设计提供信息。
引用
@article{arxiv.1711.00877,
title = {Using Bayesian latent Gaussian graphical models to infer symptom associations in verbal autopsies},
author = {Zehang Richard Li and Tyler H. McCormick and Samuel J. Clark},
journal= {arXiv preprint arXiv:1711.00877},
year = {2019}
}