Bayesian Substitute Confounders

新的贝叶斯框架学习用于观察性研究的稀疏替代混淆因子

研究人员开发了一种新的贝叶斯因子分配框架，用于学习多原因观察性研究的稀疏替代混淆因子。该方法使用收缩先验来保留粗略的多原因依赖性，抑制依赖于单一原因的因子，并鼓励那些得到多个原因支持的因子。该框架的理论保证在特定的识别假设下确保了平均潜在结果的一致性。将其应用于阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative）数据，稀疏替代得分有效地复制了直接使用脑脊液生物标志物所实现的调整。