When Bayes goes bad: Weakly-regularized covariate adjustment leads to a biased estimate of prevalence
当贝叶斯方法失效：弱正则化协变量调整导致患病率估计偏倚AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦贝叶斯层次模型与患病率估计的方法学问题，未涉及所提供领域细分中的因果推断、面板、离散选择等主题，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
当贝叶斯方法失效：弱正则化协变量调整导致患病率估计偏倚
- 研究问题
- 摘要称，研究问题是在从非随机样本估计人群患病率时，为何逐步加入协变量会使贝叶斯层次模型的估计出现意外的下降趋势，以及这一现象的成因。
- 方法与思路
- 作者提出将实际数据分析与模拟研究相结合，考察四个可能来源：样本与人群差异的校正、逻辑回归中的稀有事件偏倚、多层模型中纳入检测灵敏度与特异度不确定性、以及模型维度增加。
- 材料陈述的贡献
- 摘要明确陈述三点贡献：针对此类模型使用的即时与长期建议、探索各成因影响的模拟研究、以及一个多调整因子模型中出现意外结果的调查实例。
- 阅读关注点
- 阅读全文时应核对：先验的具体设定与敏感性分析、模拟设计能否分离四个成因、部分池化与检测特异度之间的反馈机制如何被识别，以及建议的适用范围。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审或期刊接收验证；摘要未说明数据规模、先验具体形式、模拟参数与任何数值结果，因此不能据此判断结论的稳健性或普适性。
原文摘要
When estimating population prevalence from a non-random sample, it is important to adjust for differences between sample and population. However, adjustment for multiple factors requires analysis that can be difficult to understand and validate. In this manuscript, we explore an unexpected downward trend of estimates when covariates are added sequentially to a Bayesian hierarchical model for the estimation of the prevalence of SARS-CoV-2 specific antibodies in an Australian city in late 2020. We compare our data analysis to results from a simulation study to understand four potential contributors to this effect: (i) correction for differences between sample and population, (ii) rare-events bias in logistic regression, (iii) inclusion of the uncertainty of test sensitivity and specificity in a multilevel model, and (iv) increasing model dimensionality. We find that weak prior distributions on the logistic regression coefficients lead to a systematic increase in the amount of partial pooling across adjustment cells-the prior becomes stronger as model dimensionality increases-which in turn feeds through to the estimated assay specificity, which then feeds back to the model and results in lowering the estimated prevalence. Our paper contributes three elements: (i) immediate and longer-term recommendations for using these types of models, (ii) simulation studies to explore the impact of the contributors to this effect, and (iii) a worked example of investigation of unexpected results in a model with multiple adjustment factors.