我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
本文介绍了带有目标平滑的BART，即tsBART，一种新的基于贝叶斯树的非参数回归模型。tsBART的目标是在单个目标协变量$t$上引入平滑度，而不一定需要在其他协变量$x$上实现平滑度。tsBART基于贝叶斯加性回归树（BART）模型，这是回归树的集合。tsBART通过使用$t$的平滑函数而非独立标量参数化每个树的终端节点来扩展BART。与BART一样，tsBART捕获了预测因子之间复杂的非线性关系和相互作用。但与BART不同的是，tsBART保证了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模型并对其进行基准测试后，我们将其应用于国家卫生统计中心提供的激励性示例妊娠结局数据。我们的目的是根据母亲和胎儿的风险因素，提供跨胎龄$（t）$的死产风险的患者特异性估计值$（x）$。产科医生预计死产风险在胎龄内变化平稳，但不一定在其他协变量上变化平稳，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包中实现沙巴特.
詹妮弗·斯塔林（Jennifer E.Starling）。 贾里德·穆雷（Jared S.Murray）。 卡洛斯·卡瓦略。 Radek K.Bukowski。 詹姆斯·斯科特。 “有针对性平滑的BART：对患者特定死产风险的分析。” 附录申请。斯达。 14 （1） 28 - 50, 2020年3月。 https://doi.org/10.1214/19-AOAS1268
