摘要:在许多同时研究协变量联合效应的实际问题中,我们首先需要确定显著协变量的子集,然后估计它们的联合效应。一项流行病学研究就是一个例子,该研究分析了接触变量对健康反应的影响。为了对协变量效应进行推断,我们在解决模型不确定性和识别重要协变量之前,提出了一个具有多元连续收缩的贝叶斯加性非参数回归模型。我们的一般方法是将响应函数分解为非线性主效应和双向相互作用项。然后,我们应用计算上有利的贝叶斯变量选择方法来识别重要影响。所提出的贝叶斯方法是一种多元Dirichlet-Laplace方法,它可以大大缩小许多项接近零,从而减轻包括不重要暴露和隔离重要协变量影响的噪音。我们的理论研究证明了渐近预测和变量选择的一致性。此外,我们使用数值模拟在实际场景下,从预测和变量选择方面评估模型性能。该方法应用于农业健康研究的神经行为数据集,该研究调查了农药使用与农民神经行为结果之间的关系。该方法在预测神经行为反应的联合效应方面显示出更高的准确性,同时通过变量选择限制模型中包含的协变量数量。
关键词和短语:加性非参数回归,贝叶斯变量选择,连续收缩先验,环境流行病学,后验一致性。