丹尼尔·科瓦尔（Daniel R.Kowal）。 线性混合模型的子集选择。 （英语） Zbl 1522.62166号 生物计量学 79，编号3，1853-1867（2023）。 概述：线性混合模型（LMM）有助于进行结构化相关性的回归分析，如分组、聚类或多级数据。然而，在考虑这种结构性依赖的同时，在协变量之间进行选择仍然是一个挑战。我们介绍了一种基于LMM的贝叶斯决策分析子集选择方法。使用包含结构相关性的马氏损失函数，我们导出了（i）任何给定变量子集和（ii）满足基数约束的所有变量子集的最优线性系数。重要的是，这些估计继承了基础贝叶斯模型的收缩或正则化和不确定性量化，并适用于任何指定的贝叶斯LMM。更广泛地说，我们的决策分析策略不再强调单个“最佳”子集的作用，因为该子集的信息内容通常不稳定且有限，而倾向于收集近最优子集。该集合由关键成员子集和变量特定的重要性度量进行总结。提供了定制的子集搜索和样本外近似算法，以实现更具扩展性的计算。这些工具应用于模拟数据和纵向体力活动数据集，并显示出出色的预测、估计和选择能力。©2022国际生物识别学会。 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 关键词：贝叶斯分析;层次模型;预测;回归，回归;变量选择 PDF格式BibTeX公司 XML格式引用 \textit{D.R.Kowal}，《生物统计学》79，第3期，1853-1867（2023；Zbl 1522.62166） 全文： 内政部 arXiv公司 参考文献： [1] Bashir，A.、Carvalho，C.M.、Hahn，P.R.和Jones，M.B.（2019）对精度矩阵进行后处理以生成稀疏图估计。贝叶斯分析，14（4），1075-1090·Zbl 1435.62103号 [2] Bertsimas，D.、King，A.和Mazumder，R.（2016）通过现代优化透镜进行最佳子集选择。《统计年鉴》，44（2），813-852·Zbl 1335.62115号 [3] Bhattacharya，A.、Chakraborty，A.和Mallick，B.K.（2016）高维回归中高斯混合先验的快速采样。《生物特征》，103（4），985-991。 [4] Bondell，H.D.、Krishna，A.和Ghosh，S.K.（2010）线性混合效应模型中固定效应和随机效应的联合变量选择。生物统计学，66（4），1069-1077·Zbl 1233.62134号 [5] 美国疾病控制与预防中心。国家卫生统计中心（NCHS）。（2021）国家健康和营养检查调查数据。马里兰州凯亚茨维尔：美国卫生与公众服务部疾病控制与预防中心，https://wwwn.cdc.gov/nchs/nhanes。 [6] Chen，Z.&Dunson，D.B.（2003）线性混合模型中的随机效应选择。生物统计学，59（4），762-769·Zbl 1214.62027号 [7] Dong，J.&Rudin，C.（2019）《可变重要性云：探索良好模型集可变重要性的方法》。arXiv预打印arXiv:1901.03209。 [8] Fan，Y.和Li，R.（2012）线性混合效应模型中的变量选择。《统计年鉴》，40（4），2043年·Zbl 1257.62077号 [9] Fishman，E.I.、Steeves，J.A.、Zipunnikov，V.、Koster，A.、Berrigan，D.、Harris，T.A.和Murphy，R.（2016）NHANES中客观测量的体力活动与死亡率之间的关系。运动与运动医学与科学，48（7），1303-1311。 [10] Foster，S.D.、Verbyla，A.P.和Pitchford，W.S.（2007）将LASSO效应纳入定量性状位点检测的混合模型。农业、生物和环境统计杂志，12（2），300-314·Zbl 1306.62275号 [11] Furnival，G.M.&Wilson，R.W.（2000）《跨越式回归》。技术计量学，42（1），69-79。 [12] Hahn，P.R.和Carvalho，C.M.（2015）贝叶斯线性模型中的解耦收缩和选择：后验总结视角。《美国统计协会杂志》，110（509），435-448·兹比尔1373.62036 [13] Hastie，T.，Tibshirani，R.&Tibshilani，R.（2020）最佳子集，向前逐步还是拉索？基于广泛比较的分析和建议。统计科学，35（4），579-592·Zbl 07307187号 [14] Ibrahim，J.G.，Zhu，H.，Garcia，R.I.&Guo，R.（2011）混合效应模型中的固定效应和随机效应选择。生物统计学，67（2），495-503·Zbl 1217.62171号 [15] Jiang，J.，Rao，J.S.，Gu，Z.&Nguyen，T.（2008）混合模型选择的围栏方法。《统计年鉴》，36（4），1669-1692年·Zbl 1142.62047号 [16] Kinney，S.K.和Dunson，D.B.（2007）线性和逻辑模型中的固定和随机效应选择。生物统计学，63（3），690-698·Zbl 1147.62022号 [17] Kowal，D.R.（2021）使用参数化决策分析进行快速、最优和有针对性的预测。美国统计协会杂志。 [18] Kowal，D.R.（2022）可解释预测和分类的贝叶斯子集选择和变量重要性。机器学习研究杂志，23（108），1-38。 [19] Kowal，D.R.和Bourgeois，D.C.（2020）高维数据的贝叶斯函数标度回归。计算与图形统计杂志，29（3），1-10·Zbl 07499302号 [20] Kowal，D.R.、Bravo，M.、Leong，H.、Griffin，R.J.、Ensor，K.B.和Miranda，M.L.（2021）用于理解环境暴露中混合物的贝叶斯变量选择。医学统计学，40（22），4850-4871。 [21] Lindley，D.V.（1968）多元回归中变量的选择。英国皇家统计学会杂志：B辑（方法学），30（1），31-53·Zbl 0155.26702号 [22] Meinshausen，N.&Bühlmann，P.（2010）稳定性选择。英国皇家统计学会杂志。B辑：统计方法，72（4），417-473·兹比尔1411.62142 [23] Miller，A.J.（1984）回归变量子集的选择。《皇家统计学会杂志：A辑（综述）》，147（3），389-410·Zbl 0584.62106号 [24] Müller，S.、Scealy，J.L.和Welsh，A.H.（2013）线性混合模型中的模型选择。统计科学，28（2），135-167·Zbl 1331.62364号 [25] Nishimura，A.和Suchard，M.A.（2018）“大n和大p”贝叶斯稀疏回归中加速吉布斯采样的先验预处理共轭梯度法。arXiv预打印arXiv:1810.12437。 [26] Puelz，D.、Hahn，P.R.和Carvalho，C.M.（2017）随机预测的看似无关回归中的变量选择。贝叶斯分析，12（4），969-989·Zbl 1384.62262号 [27] Wang，D.、Eskridge，K.M.和Crossa，J.（2011）使用适应性混合LASSO鉴定结构化植物群体中的QTL和上位性。农业、生物和环境统计杂志，16（2），170-184·Zbl 1306.62358号 [28] Zhao，S.，Witten，D.&Shojaie，A.（2021）《为不可辩护辩护：一种非常天真的高维推理方法》。统计科学，36（4），562-577·Zbl 07473936号 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。