王晓峰；李英星 贝叶斯推断用于分析纵向神经影像数据的贝叶斯半参数混合模型。 （英语） Zbl 1441.62526号 生物。J。 56，第4期，第662-677页（2014年）. 摘要：扩散张量成像（DTI）是一种定量磁共振成像技术，通过应用多重扩散梯度测量组织内水分子的三维扩散。这项技术在研究活体人脑的白质特性和结构连通性方面正迅速普及。DTI过程的主要结果之一被称为分数各向异性，这是一种限制在区间（0,1）上的连续测量。基于对多发性硬化症的纵向DTI研究，我们对神经影像数据使用了一个β-半参数混合回归模型。这项工作扩展了具有贝塔分布族和随机效应的广义加性模型方法。我们描述了两种带有惩罚样条的估计方法，它们是在贝叶斯推理的观点下形式化的。第一种方法是通过马尔可夫链蒙特卡罗（MCMC）模拟进行的，而第二种方法使用了一种相对较新的技术，称为集成嵌套拉普拉斯近似（INLA）。仿真和神经成像数据分析表明，两种方法得到的估计是稳定和相似的，而INLA方法为计算昂贵的MCMC方法提供了一种有效的替代方法。 MSC公司： 62页第10页 统计学在生物学和医学中的应用；元分析 2015年1月62日 贝叶斯推断 关键词：β分布；扩散张量成像；广义半参数混合模型；积分嵌套拉普拉斯近似；马尔科夫蒙特卡洛；缺陷样条线 软件：阿富汗国家情报局；卡爪；WinBUGS公司；半标准杆 PDF格式BibTeX公司 XML格式引用 \textit{X.-F.Wang}和\textit{Y.Li}，Biom。J.56，第4号，662--677（2014；Zbl 1441.62526） 全文： 内政部 参考文献： [1] Basser，定量扩散张量MRI阐明的组织的微观结构和生理特征，磁共振杂志B系列111第209页–（1996）·doi:10.1006/jmrb.1996.0086 [2] Branscum，贝叶斯贝塔回归：家庭支出数据和口蹄疫病毒之间遗传距离的应用，澳大利亚和新西兰统计杂志49，第287页–（2007）·Zbl 1136.62323号 ·doi:10.1111/j.1467-842X.2007.00481.x [3] Breslow，广义线性混合模型中的近似推断，《美国统计协会杂志》88第9页–（1993）·Zbl 0775.62195号 [4] Breslow，具有单个离散成分的广义线性混合模型中的偏差校正，Biometrika 82 pp 81–（1995）·Zbl 0823.62059号 ·doi:10.1093/biomet/82.1.81 [5] Cox，AFNI:功能磁共振神经图像分析和可视化软件，计算机和生物医学研究29页162–（1996）·doi:10.1006/提交人：1996.0014 [6] Crainiceanu，具有异方差误差的空间自适应贝叶斯惩罚样条，《计算与图形统计杂志》，16页，265–（2007）·doi:10.1198/106186007X208768 [7] Crainiceanu，使用WinBUGS对惩罚样条回归进行贝叶斯分析，《统计软件杂志》，第14页，第1页–（2005）·doi:10.18637/jss.v014.i14 [8] 法拉利，建模率和比例的贝塔回归，《应用统计杂志》31页799–（2004）·Zbl 1121.62367号 ·doi:10.1080/0266476042000214501 [9] Fong，广义线性混合模型的贝叶斯推断，生物统计学11 pp 397–（2010）·doi:10.1093/biostatistics/kxp053 [10] Fox，《描绘多发性硬化：常规和弥散张量成像》，《神经病学研讨会》28页453–（2008）·doi:10.1055/s-0028-1083689 [11] Fox，《用扩散张量成像测量髓鞘修复和轴突损失》，《美国神经放射学杂志》32第85页–（2011） [12] Gilks，Gibbs抽样的自适应拒绝抽样，应用统计学41，第337页–（1992）·Zbl 0825.62407号 ·doi:10.2307/2347565 [13] Jito，大鼠胼胝体扩散各向异性的成熟变化：与定量组织学评估的比较，《磁共振成像杂志》28页847–（2008）·doi:10.1002/jmri.21496 [14] Le Bihan，扩散张量成像：概念和应用，《磁共振成像杂志》13页534–（2001）·doi:10.1002/jmri.1076 [15] Li，关于缺陷样条曲线的渐近性，Biometrika 95 pp 415–（2008）·Zbl 1437.62540号 ·doi:10.1093/biomet/asn010 [16] Lunn，WinBUGS-贝叶斯建模框架：概念、结构和可扩展性，《统计与计算》10 pp 325–（2000）·doi:10.1023/A:1008929526011 [17] Martino，生存模型的近似贝叶斯推断，《斯堪的纳维亚统计杂志》38第514页–（2011）·Zbl 1246.62059号 [18] Neal，切片取样，《统计年鉴》31，第705页–（2003）·Zbl 1051.65007号 ·doi:10.1214/aos/1056562461 [19] 佩兰，《帕金森病黑质纹状体特征的磁共振成像标志物》，《大脑133》第3423页–（2010年）·doi:10.1093/brain/awq212 [20] Pinheiro，多层广义线性混合模型的高效拉普拉斯和自适应高斯求积算法，计算与图形统计杂志，15页，58–（2006）·doi:10.1198/106186006X96962 [21] Plummer，M.2003 JAGS:使用吉布斯抽样分析贝叶斯图形模型的程序第三届分布式统计计算国际研讨会论文集http://www.ci.tuwien.ac.at/Conferences/DSC-2003/Processings/Plummer.pdf [22] Roos，二元数据贝叶斯广义线性混合模型的敏感性分析，贝叶斯分析6 pp 259–（2011）·Zbl 1330.62150号 ·doi:10.1214/11-BA609 [23] Rue，使用集成嵌套拉普拉斯近似法对潜在高斯模型进行近似贝叶斯推断，皇家统计学会期刊B系列统计方法71第319页–（2009）·Zbl 1248.62156号 ·doi:10.1111/j.1467-9868.2008.00700.x [24] Ruppert，《为缺陷样条选择节点数》，《计算与图形统计杂志》11，第735页–（2002年）·doi:10.1198/106186002853 [25] Ruppert，半参数回归（2003）·Zbl 1038.62042号 ·doi:10.1017/CBO9780511755453 [26] Schrödle，《使用INLA进行疾病绘图和生态回归的入门》，《计算统计学》26页241–（2011a）·兹比尔1304.65067 ·doi:10.1007/s00180-010-0208-2 [27] Schrödle，使用INLA绘制时空疾病图，环境计量学22 pp 725–（2011b）·doi:10.1002/env.1065 [28] Smith，功能和结构MR图像分析进展及FSL实现，NeuroImage 23（Suppl 1）pp S208–（2004）·doi:10.1016/j.neuroimage.2004.07.051 [29] Spiegelhalter，模型复杂性和拟合的贝叶斯度量，英国皇家统计学会期刊B系列统计方法64页583–（2002）·兹比尔1067.62010 ·数字对象标识代码：10.1111/1467-9868.00353 [30] Wang，多维结果的联合广义模型：多模态神经科学数据的案例研究，《生物医学杂志》54 pp 264–（2012）·Zbl 1242.62123号 ·doi:10.1002/bimj.201100041 [31] Wang，贝叶斯非参数回归和使用综合嵌套拉普拉斯近似的密度估计，《生物统计学与生物统计学杂志》4（e125）（2013）·doi:10.4172/2155-6180.1000e125 [32] Wang，带误差-变量的纵向比例数据的贝叶斯广义变系数模型，应用统计杂志（2014）·Zbl 1352.62023号 ·doi:10.1080/02664763.2013.868870 [33] Wang，《评估头皮脑电图和肌肉激活之间的时间相关性：功能随机效应模型方法》，《神经科学方法杂志》177页232–（2009）·doi:10.1016/j.jneumeth.2008.09.030 [34] Wild，Algorithm as 287:对数压缩密度函数的自适应拒绝采样，英国皇家统计学会杂志。C系列（应用统计）42第701页–（1993年） [35] Zeger，《具有随机效应的广义线性模型：吉布斯抽样方法》，《美国统计协会杂志》86页79–（1991）·doi:10.1080/01621459.1991.10475006 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。