Multi-Level Variable Selection Using a BART-Enhanced Mixed-Effects Framework

Zhang, Keming

doi:10.1002/sim.70593

Multi-Level Variable Selection Using a BART-Enhanced Mixed-Effects Framework

2026-05-01

0

PRE

AI

Fausto, Bernadette A.

H

Hu, Liangyuan *

DOI：10.1002/sim.70593

原文链接

原文求助

摘要

En 中文

在医疗保健研究中，选择重要的个体和集群层次预测因子变得越来越关键，因为数据通常由于来自多个集群而呈现层次结构。混合效应模型，考虑到集群内相关性和集群间异质性，是多层变量选择的一种自然方法。然而，目前可用的多层数据变量选择方法主要基于混合效应模型，这些模型施加了限制性参数假设，当潜在关系是非线性或涉及交互作用时，可能限制其效用。虽然非参数方法在非集群数据中变量选择方面显示出前景，但在多层设置中研究较少。此外，明确考虑多层结构的非参数方法主要被设计用于预测，而不是同时选择个体和集群层次的相关协变量。为解决这些局限性，我们提出了一种灵活的、完全贝叶斯的统一框架，用于同时选择固定效应和随机效应的变量。我们的框架将贝叶斯加性回归树（BART）的非参数灵活性用于固定效应预测因子选择，与通过协方差分解和置换策略识别随机效应预测因子的分层贝叶斯组件相结合。为解决多层数据中常见的场景，即集群层次协变量在集群内保持恒定并可能诱导近共线性及选择不稳定，我们进一步提出了一个计算高效的两步程序。该方法分离了个体和集群层次预测因子的贡献，从而缓解共线性并提高变量选择稳定性。全面的模拟研究证明了我们提出方法在多样化场景中的有效性和稳健性。我们进一步通过将这些方法应用于多层阿尔茨海默病数据集，说明了这些方法的实际应用价值。

Keyword:

Bayesian machine learning

Dirichlet distribution

Metropolis importance

near-collinearity

permutation-based

spike and slab prior

Multi-Level Variable Selection Using a BART-Enhanced Mixed-Effects Framework

摘要

期刊

机构

引用论文