×

兹马思-数学第一资源

目标平滑BART:患者特定死胎风险分析。(英语) Zbl 1439.62228
本文介绍了一种新的基于贝叶斯树的非参数平滑模型。tsBART的目标是在单个目标协变量(t)上引入平滑度,而不一定要求平滑度超过其他协变量\(x\)。tsBART基于Bayesian加法回归树(BART)模型,一个回归树的集合。tsBART通过使用平滑函数\(t\)而不是独立标量来参数化每个树的终端节点,从而扩展了BART。和BART一样,tsBART捕捉了预测因子之间复杂的非线性关系和相互作用。但与BART不同,tsBART保证目标协变量中的响应面是平滑的。这提高了可解释性,有助于规范估计。
在介绍了tsBART模型并对其进行了基准测试之后,我们将其应用于我们的激励性示例——来自国家卫生统计中心的妊娠结局数据。我们的目的是根据母体和胎儿的危险因素(x),提供不同胎龄(t)的死胎风险评估值。产科医生预计死产风险在胎龄期间会平稳变化,但不一定会超过其他协变量,而tsBART的设计正是为了反映这种结构知识。我们的分析结果显示了tsBART模型在量化死产风险方面的明显优势,从而为患者和医生管理胎儿死亡风险提供了更好的信息。这里描述的所有方法都在R包中实现茨巴特.

理学硕士:
第62页 统计学在生物学和医学科学中的应用;荟萃分析
2005年6月 可靠性和寿命试验
60G15 高斯过程
六二零二 一般非线性回归
62G08型 非参数回归与分位数回归
PDF格式 BibTeX公司 XML 引用
参考文献:
[1] Albert,J.H.和Chib,S.(1993年)。二元和多色响应数据的贝叶斯分析。J、 阿默尔。统计学家。协会88 669-679·Zbl 0774.62031
[2] Bailit,J.L.,Gregory,K.D.,Reddy,U.M.,Gonzalez Quintero,V.H.,Hibbard,J.U.,Ramirez,M.M.,Branch,D.W.,Burkman,R.,Haberman,S.等人(2010年)。按分娩类型和胎龄划分的产妇和新生儿结局。是。J、 奥贝斯特。妇科学。202 245.e1-245.e12。
[3] (乔治·麦卡勒,1998)。贝叶斯购物车模型搜索。J、 阿默尔。统计学家。协会93 935-948。
[4] Chipman,H.A.,George,E.I.和McCulloch,R.E.(2010年)。Bayesian加法回归树。安。申请。状态4 266-298·Zbl 1189.62066
[5] Clark,S.L.,Frye,D.R.和Myers,J.A.(2010年)。妊娠39周择期分娩减少:3种改变方法的比较效果以及对新生儿重症监护病房入院和死产的影响。是。J、 奥贝斯特。妇科学。203 449.e1-449.e6。
[6] 艾勒,P.H.C.和马克思,B.D.(1996年)。灵活平滑与\(B\)-样条和惩罚。统计学家。科学。1189-121·Zbl 0955.62562
[7] Gelman,A.(2006年)。层次模型中方差参数的先验分布(Browne和Draper的文章评论)。贝叶斯肛门。1515-533年·Zbl 1331.62139
[8] Goldstein,A.,Kapelner,A.,Bleich,J.和Pitkin,E.(2015年)。窥视黑盒子:用个人条件期望图来可视化统计学习。J、 计算机。图表。统计学家。24 44-65年。
[9] Gramacy,R.B.和Lee,H.K.H.(2008年)。贝叶斯树高斯过程模型及其在计算机建模中的应用。J、 阿默尔。统计学家。协会103 1119-1130·12062ZB218.5升
[10] Hahn,P.R.,Murray,J.S.和Carvalho,C.M.(2017年)。因果推理的贝叶斯回归树模型:正则化,混杂和异质效应。预印本。可从arXiv:1706.09523v2获得。
[11] Hastie,T.和Tibshirani,R.(2000年)。贝叶斯回火。统计学家。科学。15 196-223·Zbl 1059.62524号
[12] He,J.,Saar,Y.和Hahn,P.R.(2018年)。加速贝叶斯加性回归树。预印本。可从arXiv获取:1810.02215。
[13] Hernández,B.,Raftery,A.E.,Pennington,S.R.和Parnell,A.C.(2018年)。使用贝叶斯模型平均的贝叶斯加性回归树。统计计算。28869-890·Zbl 1386.68131号
[14] 希尔,J.L.(2011年)。因果推理的贝叶斯非参数建模。J、 计算机。图表。统计学家。20217-240。
[15] Kornhauser,M.和Schneiderman,R.(2010年)。计划如何改善早产儿护理的效果并降低成本。管理护理19 28-30。
[16] Kratz,M.F.(2006年)。平稳高斯过程的能级交叉和其他能级泛函。可能吧。苏尔夫。3230-288·Zbl 1189.60079号
[17] 莱内罗,A.R.(2018年)。用于高维预测和变量选择的贝叶斯回归树。J、 阿默尔。统计学家。协会113 626-636·Zbl 1398.62065
[18] Linero,A.R.和Yang,Y.(2018年)。适应光滑性和稀疏性的贝叶斯回归树集合。J、 R.统计Soc。爵士。B、 统计方法。邮编:1087-1110·Zbl 1407.62138
[19] Logan,B.R.,Sparapani,R.,McCulloch,R.E.和劳德,P.W.(2019年)。基于贝叶斯加性回归树的个体化治疗决策和不确定性量化。医学统计方法。第28号决议1079-1093。
[20] MacDorman,M.F.和Gregory,E.C.W.(2015年)。胎儿和围产期死亡率:美国,2013年。自然。生命统计报告66 1-24。
[21] 梅耶斯·梅耶斯和沃特斯·马杜(2013)。胎儿死亡的风险:目前关于最佳分娩孕龄的概念。是。J、 奥贝斯特。妇科学。208 207.e1-207.e8。
[22] Muraskas,J.和Parsi,K.(2008年)。拯救最小生命的代价:NICUs与预防。J、 道德规范10 655-658。
[23] Murray,J.S.(2017年)。分类和计数响应的对数线性贝叶斯加性回归树。预印本。可从arXiv:1701.01503获取。
[24] Pratola,M.T.,Chipman,H.A.,Gattiker,J.R.,Higdon,D.M.,McCulloch,R.和Rust,W.N.(2014年)。并行贝叶斯加性回归树。J、 计算机。图表。统计学家。23 830-852。
[25] Reddy,U.,Bettegowda,V.R.和Dias,T.(2011年)。足月妊娠:婴儿死亡率的异质性风险期。奥贝斯特。妇科学。117 1279-1287。
[26] Sivaganesan,S.,Müller,P.和Huang,B.(2017年)。利用贝叶斯加性回归树寻找子群。医学统计。36 2391-2403。
[27] Sparapani,R.A.,Logan,B.R.,McCulloch,R.E.和Laud,P.W.(2016年)。基于贝叶斯加性回归树的非参数生存分析。医学统计。27435年。
[28] 斯塔林,J.E.,默里,J.S.,卡瓦略,C.M.,布可夫斯基,R.K.和斯科特,J.G.(2020年)。“BART靶向平滑:患者特定死胎风险分析”的补充https://doi.org/10.1214/19-AOAS1268SUPPA, https://doi.org/10.1214/19-AOAS1268SUPPB。
[29] Wager,S.,Hastie,T.和Efron,B.(2014年)。随机森林的置信区间:刀切和无穷小刀。J、 马赫。学习。第15 1625-1651号决议·Zbl 1319.62132
[30] 渡边,S.(2013年)。一种广泛适用的贝叶斯信息准则。J、 马赫。学习。第14 867-897号决议·Zbl 1320.62058
[31] Xu,J.,Murphy,S.L.,Kochanek,K.D.和Bastian,B.A.(2013年)。死亡:2013年的最终数据。自然。维生素。统计数据。重复播放。64
数字图书馆提供的数学或参考资料就是基于此。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。