贝叶斯变量选择：利用成本调整的BIC方法，并应用于经济有效的医疗质量测量。
摘要：卫生保健质量测量领域中，评估患者入院时的疾病程度的一种方法是在入院后30天内将死亡率与大量疾病指标进行逻辑回归，构建出一个疾病程度评分。常规的变量选择方法可用于找到“最佳”的10-20个指标的子集。这种“仅有收益”的方法忽略了在数据收集成本中疾病指标之间的巨大差异，这一问题在使用入院疾病程度来推动以观察到的与预期死亡率（给定入院疾病程度）进行比较的程序时至关重要（这些程序已在包括美国和英国在内的几个国家中得到实施或正在考虑中）。当同时考虑数据收集成本和对30天死亡率的预测准确性时，将出现一个大规模的变量选择问题，其中成本高昂的变量如果预测不足够准确，则应从最终评分中去除。本文（a）针对这一问题基于后验模型比率开发了一种解决方法，该方法基于一个先验分布，该分布(1)考虑了每个变量的成本，并(2)产生了一组后验模型概率，这组概率对应于一种广义成本调整版本的贝叶斯信息准则(BIC)，并(b)将这种方法与基于最大化期望效用的决策论成本效益方法进行比较。我们使用可逆跳跃马尔科夫链蒙特卡洛(RJMCMC)方法来搜索模型空间，并使用两种变体的蒙特卡洛模型组合($mathit{MC}^3$)算法检查结果的稳定性。
作者：D. Fouskakis, I. Ntzoufras, D. Draper
论文ID：0908.2313
分类：Applications
分类简称：stat.AP
提交时间：2009-08-18