A Common Atoms Model for the Bayesian Nonparametric Analysis of Nested Data.
A Common Atoms Model for the Bayesian Nonparametric Analysis of Nested Data.
复制标题
用于嵌套数据贝叶斯非参数分析的通用原子模型。
DOI：
10.1080/01621459.2021.1933499
复制
发表时间：
2023
影响因子：
3.7
通讯作者：
Mira,Antonietta
中科院分区：
文献类型：
--
作者：
Denti,Francesco;Camerlenghi,Federico;Guindani,Michele;Mira,Antonietta
使用大型数据集进行靶向治疗干预需要新的方法来表征在特定人群的亚组中观察到的异质性。特别是，部分可交换数据的模型需要嵌套数据集上的推理，其中假设观察被组织在不同的单位和一些共享的信息是需要学习的单位的独特功能。在这篇手稿中，我们提出了一个嵌套的共同原子模型（CAM），特别适合于嵌套数据集的分析，其中的单位的分布预计只在一小部分从每个单位采样的观察不同。建议的CAM允许在分布和观察层面的两层聚类，并通过使用计算效率高的嵌套切片采样算法，可扩展的后验推理。我们进一步讨论了如何扩展所提出的建模框架以处理离散测量，并且我们对来自饮食交换研究的真实的微生物组数据集进行后验推断，以研究肠道微生物群组成的改变如何与不同的饮食习惯相关联。我们进一步研究我们的模型在捕捉真实的分布结构的人口通过模拟研究的性能。
The use of large datasets for targeted therapeutic interventions requires new ways to characterize the heterogeneity observed across subgroups of a specific population. In particular, models for partially exchangeable data are needed for inference on nested datasets, where the observations are assumed to be organized in different units and some sharing of information is required to learn distinctive features of the units. In this manuscript, we propose a nested common atoms model (CAM) that is particularly suited for the analysis of nested datasets where the distributions of the units are expected to differ only over a small fraction of the observations sampled from each unit. The proposed CAM allows a two-layered clustering at the distributional and observational level and is amenable to scalable posterior inference through the use of a computationally efficient nested slice sampler algorithm. We further discuss how to extend the proposed modeling framework to handle discrete measurements, and we conduct posterior inference on a real microbiome dataset from a diet swap study to investigate how the alterations in intestinal microbiota composition are associated with different eating habits. We further investigate the performance of our model in capturing true distributional structures in the population by means of a simulation study.
登录
查看更多内容
使用边缘化嵌套狄利克雷过程进行聚类分布
影响因子：
1.9
作者：
D. Zuanetti;P. Müller;Yitan Zhu;Shengjie Yang;Yuan Ji
通讯作者：
Yuan Ji
DOI：
10.1111/rssb.12162
发表时间：
2017-01-01
影响因子：
5.8
作者：
Botev, Z. I.
通讯作者：
Botev, Z. I.
用于预测未来保险索赔的灵活贝叶斯非参数模型
DOI：
--
发表时间：
2016
期刊：
影响因子：
--
作者：
Liang Hong;Ryan Martin
通讯作者：
Ryan Martin
断棍表示中（耦合）无限混合模型的吉布斯采样
DOI：
--
发表时间：
2006
期刊：
Conference on Uncertainty in Artificial Intelligence
影响因子：
--
作者：
I. Porteous;A. Ihler;Padhraic Smyth;M. Welling
通讯作者：
M. Welling
DOI：
10.1198/016214508000000553
发表时间：
2008-09-01
影响因子：
3.7
作者：
Rodriguez, Abel;Dunson, David B.;Gelfand, Alan E.
通讯作者：
Gelfand, Alan E.