DATA HARMONIZATION VIA REGULARIZED NONPARAMETRIC MIXING DISTRIBUTION ESTIMATION

doi:10.1214/25-AOAS2024

DATA HARMONIZATION VIA REGULARIZED NONPARAMETRIC MIXING DISTRIBUTION ESTIMATION

2026-03-01

0

PRE

AI

S

Steven Wilkins‐Reeves *

Y

Yen‐Chi Chen

C

Chan, Kwun Chuen Gary

DOI：10.1214/25-AOAS2024

原文链接

原文求助

摘要

En 中文

数据协调是指在一个共同领域中开发两个测量之间的等价性的过程。我们的问题源于痴呆症研究，其中在实践中有多种神经心理学测试被用来测量相同的基本认知能力，例如记忆或注意力。我们将这个统计问题与经验贝叶斯方法中常见的混合分布估计联系起来。我们介绍并研究了一种非参数潜在特质模型，开发了一种确保正则化最大似然估计器唯一性的方法，展示了非参数EM算法将弱收敛于其最大值点，并说明了其相对于现成求解器的优越计算效率。此外，我们开发了用于模型选择和评估测量模型拟合优度的方法，这是大多数混合分布估计问题中被忽视的领域。我们开发了具有不确定性量化的评分转换方法，以便对具有多种评分尺度的整个人群进行推断。我们将我们的方法应用于国家阿尔茨海默病协调中心统一数据集，并表明我们可以使用我们的方法在评分测量之间进行转换并考虑测量误差。我们证明，这种方法优于痴呆症研究中常用的标准技术。

Keyword:

Alzheimer's disease

nonparametric

expectation-maximization algorithm

latent trait model

measurement error model

DATA HARMONIZATION VIA REGULARIZED NONPARAMETRIC MIXING DISTRIBUTION ESTIMATION

摘要

期刊

机构

引用论文