用于流行病学研究的许多微观数据包含对真实个体的敏感测量。因此，出于隐私考虑，这些微观数据无法公布，如果没有公众对这些数据的访问，最初公布的任何统计分析几乎都不可能复制。为了在不损害个人隐私的情况下促进关键分析数据集的传播，我们引入了一个内聚贝叶斯框架，用于生成混合类别、二进制、计数和连续变量的全合成高维微数据集。该过程以联合贝叶斯模型为中心，该模型与所有这些数据类型同时兼容，通过后验预测采样创建混合合成数据集。此外，流行病学数据分析的一个重点是通过回归分析研究各种暴露与关键结果变量之间的条件关系。我们设计了一种改进的数据合成策略来针对和保留这些条件关系，包括非线性和交互。所提议的技术用于创建机密数据集的合成版本，该数据集包含近20000名北卡罗来纳州儿童的数十项健康、认知和社会测量数据。