📊 statistics

Bayesian Variable Selection for High-Dimensional Predictors with Missing Psychometric Outcomes

本文介绍了 SHIM，这是一个新颖的贝叶斯框架，它将分层马蹄收缩与缺失数据处理相结合，用于对高维预测变量和多变量结局进行结构化变量选择，并通过模拟实验以及在阿尔茨海默病神经影像数据上的应用证明了其有效性。

原作者： Zongyue Teng, Shujie Ma, Timothy J. Hohman, Angela L. Jefferson, Panpan Zhang

发布于 2026-09-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Zongyue Teng, Shujie Ma, Timothy J. Hohman, Angela L. Jefferson, Panpan Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代人类心智研究中，研究人员不再满足于仅观察单一的线索。相反，他们会同时收集大量的各种信息：大脑结构的详细图谱、血流量的测量值、遗传标记，以及数十项记忆和思维测试的分数。这种被称为“多模态研究”的方法，为生物学如何塑造行为提供了更丰富的图景。然而，这种数据的丰盈也创造了一个重大的统计学难题。当科学家试图将数百甚至数千个大脑测量指标与少量的思维评分联系起来时，庞大的可能性数量可能会使标准的数学工具不堪重负，导致混乱而非清晰。更复杂的是，人们经常会错过预约或未能完成某些测试，从而导致数据的缺失。传统方法在填补这些空白时难以避免引入误差，并且往往无法识别出大脑测量值并非独立的个体事实，而是以自然分组的形式组织的，例如大脑内的区域或特定类型的生物信号。

为了解决这个问题，一个研究团队开发了一种名为 SHIM 的新型统计框架。可以将这个框架想象成一个高度组织化的文件系统，旨在整理一个混合在一起的混乱线索室。研究人员构建这个系统是为了同时应对三个特定的挑战：大脑数据的层级结构、不同思维测试之间的相关性，以及数据缺失的现实情况。在他们的工作中，他们使用模拟真实世界条件的模拟数据，将这种新方法与旧有的成熟技术进行了对比测试。结果表明，SH

SHIM 在发现大脑区域与思维技能之间的真实联系方面表现得远优于旧方法，同时能有效避免虚假警报。即使在高达百分之六十的测试分数缺失的情况下，它也能成功识别哪些特定的脑区是重要的，哪些则不是。此外，该方法提供了一种在统计学上合理的方式来填补这些缺失的分数，使研究人员能够利用完整的数据进行未来的研究，而不会丢失原始测量值的细微差别。

研究人员将这一新工具应用于范德比尔特记忆与老化项目（Vanderbilt Memory and Aging Project）的数据，这是一项旨在了解血管健康和大脑老化如何影响认知衰退的长期研究。在这次现实世界的测试中，他们研究了两种不同类型的大脑成像——测量灰质体积和测量血流量——如何与两个截然不同但又相互关联的思维领域（情景记忆和执行功能）相关联。情景记忆涉及回忆过去的事件，而执行功能则涵盖了如计划和任务切换等技能。分析显示，新方法可以精准定位与这些能力相关的特定脑区。例如，它识别出了左侧旁海马回的灰质体积与记忆表现之间的联系，以及左侧下额回与执行功能之间的联系。值得注意的是，新方法发现了旧方法所忽略的与执行功能相关的联系，这表明将记忆和执行功能放在一起观察，而非分开研究，有助于揭示数据中隐藏的模式。

该研究还解决了医学研究中的一个常见问题：数据缺失。在应用的第二部分中，研究人员观察了一种在脑脊液（一种围绕大脑和脊髓的液体）中发现的特定生物标志物。已知这种生物标志物与阿尔茨海默病有关，但在该研究中，超过一半的参与者缺失了这一数据。利用这个新框架，研究人员根据观察到的脑部扫描模式和其他可用信息，生成了多种可能的缺失数据版本。当他们使用这些填补后的数据集来分析记忆与该生物标志物之间的关系时，发现了一种明确的正相关关系：较高的生物标志物水平与较好的记忆表现相关联。这一结果符合已有的生物学知识，而仅仅是忽略缺失参与者的标准分析则未能发现具有统计学意义的联系。这种新方法不仅恢复了信号，而且做得更加精准，证明了它可以在不丢弃有价值参与者的情况下，有效地处理不完整的数据。

这一框架的成功取决于它处理数据的方式。与那些可能将每个大脑测量值视为孤立事实的旧方法不同，这种新方法尊重大脑的自然组织结构。它理解来自同一脑区的测量值是相关的，且同一成像类型内不同区域的测量值也是相关的。通过将这些测量值进行分组，该方法可以从相关的观测点中“借力”，从而对哪些联系是真实的做出更准确的判断。它还将缺失的测试分数视为可以从其余数据中推断出的隐变量，而非丢失的信息。这使得模型能够从整个参与者群体中学习，而不是仅限于完成了所有测试的子集。研究人员通过广泛的计算机模拟证实，这种方法平衡了敏感性与准确性，这意味着它能在找到真实联系的同时，不会将随机噪声标记为显著发现。

虽然研究结果令人振奋，但研究人员也谨慎地指出了他们工作的局限性。目前，该方法要求大脑成像和其他背景信息在每位参与者身上都是完全可用的，而在现实世界的研究中情况未必总是如此。它还假设数据缺失的原因与未观察到的数值本身无关，如果违反这一条件，可能会影响结果的准确性。此外，该框架目前是为连续测量（如量表评分）设计的，可能需要针对其他类型的数据（如“是或否”的回答）进行调整。尽管存在这些局限性，该研究仍为神经科学家和心理学家提供了一个强大的新工具。它提供了一种理解复杂、混乱且不完整数据集的方法，将混乱的大脑扫描和测试分数集合转化为一个关于老化大脑如何运作的连贯故事。通过提供一种处理缺失数据并尊重生物信息结构的可靠方式，这一框架有助于研究人员对人类认知的生物学根源得出更清晰的结论。

技术摘要：针对具有缺失心理测量结果的高维预测因子的贝叶斯变量选择

问题陈述
现代心理测量学和神经影像学研究越来越多地整合多模态数据（如结构/功能 MRI、基因组学）来表征认知功能。这些研究面临着三个并发的统计挑战：

高维性与层级结构： 预测因子通常多达数百或数千个（ $P \gg n$ ），并且具有内在的层级结构（例如：模态 $\to$ 解剖区域 $\to$ 特定特征）。现有的正则化方法往往忽略了这些多层关系，或者只能容纳单一的分组结构。
多元结局： 心理测量评估通常测量多个相关的领域（例如：记忆、执行功能）。许多高维变量选择方法是为单变量响应设计的，无法利用结局之间的依赖性。
缺失数据： 由于错过随访或评估不完整，心理测量结局经常出现部分观测的情况。现有的处理缺失数据的方法（如多重插补）通常并非针对具有层级结构预测因子的高维变量选择而设计。

目前的方法通常孤立地解决这些问题，缺乏一个能够同时处理多层预测器结构、多元结局依赖性和不完整响应数据的统一框架。

方法论：SHIM 框架
作者提出了 SHIM（用于层级预测因子和不完全多元结局的收缩，Shrinkage for Hierarchical predictors and Incomplete Multivariate outcomes），这是一个旨在共同解决上述挑战的贝叶斯框架。

模型结构： 该框架采用多元回归模型，将 $Q$ 个结局对 $P$ 个高维预测因子和 $L$ 个低维协变量进行回归。缺失的结局作为贝叶斯数据增强策略中的潜变量进行处理。
层级马蹄先验（Hierarchical Horseshoe Prior）： 为了适应预测因子的嵌套结构（模态 $\to$ $\to$ 组 $\to$ $\to$ 特征），SHIM 对回归系数矩阵 $\mathbf{B}$ $B$ 使用了层级马蹄先验。对于系数 $\beta_{kq}$ $β_{k q}$ （预测因子 $k$ $k$ ，结局 $q$ $q$ ）的先验设定为：
$\beta_{kq} | \tau, \gamma_{m(k)}, \delta_{m(k),g(k)}, \lambda_k, \xi_{kq} \sim \mathcal{N}(0, \tau^2 \gamma_{m(k)}^2 \delta_{m(k),g(k)}^2 \lambda_k^2 \xi_{kq}^2)$
该结构包含：
- 全局收缩参数 ( $\tau$ )。
- 模态级 ( $\gamma$ ) 和组级 ( $\delta$ ) 收缩参数，以在较高的层级水平诱导正则化。
- 预测因子级 ( $\lambda$ ) 和结局特定级 ( $\xi$ ) 的局部收缩参数。
  所有收缩参数均遵循独立的半柯西（half-Cauchy）先验。
后验计算： 通过 Gibbs 采样器进行推断。缺失的结局从其条件多元正态分布中进行插补，回归系数、协方差矩阵和收缩参数则从其全条件分布中进行更新。
基于后验的多重插补： 除了参数推断外，缺失结局的后验抽样为需要完整数据的下游分析提供了一种连贯的多重插补表示。

理论特性
论文建立了关于 SHIM 先验的两个关键理论特征：

依赖结构： 相乘的层级结构诱导了系数幅值之间的依赖关系。共享更多层级的系数（例如：具有相同的模态和组）在幅值上表现出更强的先验相关性，从而促进了生物学相关变量之间的信息共享。
边缘密度： 系数的边缘先验密度在零点处表现出“五阶对数奇异性”（由于五个独立半柯西变量的乘积）以及经由四阶对数因子修正的重尾多项式分布。这确保了对噪声的强收缩，同时保持了对显著效应的实质性先验支持。

模拟结果
通过广泛的模拟（ $n=300$ , $P \in \{200, 400\}$ , $Q=2$ ），将 SHIM 与单变量版本 (SHIM_U)、其他贝叶斯方法 (GIGG, MBSGSSS) 以及频率派正则化方法 (Lasso, Group Lasso) 进行了比较。

变量选择： SHIM 一致地实现了高真阳性率 (TPR) 以及接近于零的假阳性率 (FPR) 和假发现率 (FDR)，其 F1 分数接近 1.0。它优于竞争对手，特别是在高缺失率（高达 60%）和结局特定稀疏性的场景下。
估计： SHIM 提供了准确的系数估计，具有低偏差和经过良好校准的不确定性量化（覆盖概率接近名义 95% 水平）。
敏感性： 在高结局相关性和超高维情况（ $P=600$ ）下，SHIM 保持了稳健性。在缺失非随机 (MNAR) 机制下，性能有所下降，这与对随机缺失 (MAR) 假设的依赖一致。
下游插补： 在涉及部分观测生物标志物的下游分析模拟中，基于 SHIM 的多重插补产生了低偏差和合理的覆盖率，在存在高维相关预测因子的情形下，其表现优于完全病例分析和 MICE。

实际应用
该框架应用于来自范德堡记忆与老化项目 (VMAP, $n=288$ ) 的数据，以分析多模态神经影像（区域灰质体积和脑血流量）与神经心理学结局（情景记忆和执行功能）之间的关联。

神经影像关联： SHIM 识别出了左侧海马旁回灰质体积与情景记忆，以及左侧额下回与执行功能之间的特定关联。值得注意的是，执行功能的关联是由 SHIM 检测到的，而单变量 SHIM_U 则未能检测到，这突显了在相关结局之间借用信息的益处。
生物标志物分析： SHIM 被用于插补缺失的脑脊液 (CSF) $A\beta_{1-42}$ 数据（缺失率为 53.1%）。由此进行的下游分析揭示了 CSF $A\beta_{1-42}$ 与情景记忆之间存在显著的正相关，这与已有的阿尔茨海默病文献一致。完全病例分析得出了相似的点估计，但置信区间较宽（统计学上不显著），而 MICE 产生的结论则不符合直觉，这可能是由于高维预测因子的共线性问题导致的。

意义与声明
作者声称 SHIM 提供了一个统一的统计框架，能够同时兼顾多层预测器结构、多元结局依赖性和不完整数据。该方法平衡了灵敏度与假阳性控制，并为生成用于下游分析的基于后验的多重插补提供了一种原则性的方法。论文指出，相关的 R 包 shim 已公开可用。

局限性
作者承认存在以下局限性：

预测因子和协变量必须是完全观测的。
推断依赖于 MAR 假设；在 MNAR 机制下性能会下降。
当前公式假设结局为连续型（高斯分布）；未来需要扩展到二元或序数结局。
预测因子的层级结构必须预先指定，且性能取决于该指定的准确性。
关于联合回归与协方差参数的高维后验理论仍是一个有待深入研究的领域。

技术摘要：针对具有缺失心理测量结果的高维预测因子的贝叶斯变量选择

类似论文