摘要
高维非正态纵向数据在基因组学、生物医学、微生物组研究和社会科学等领域普遍存在。此类数据通常同时具有非正态响应、受试者内依赖性和稀疏的总体效应。我们提出了一种结构化的变分贝叶斯方法：基于尖刺-平板先验的变分贝叶斯经验似然，该方法将受经验似然启发的工作核与两个拉普拉斯收缩分支相结合。变分族将每个包含指示变量与其对应的系数和局部尺度联系起来，并使用概率加权更新进行全局收缩。标量经验似然加权的实现方式提供了可行的计算方案，条件工作证据分数用于比较随机效应协方差结构。仿真研究检验了变量选择、估计、预测、区间覆盖率以及对数值和先验设置的敏感性。两项纵向微生物组应用产生了可解释的条件关联。所得框架为稀疏混合模型分析提供了一种明确的计算构建方法，数值结果刻画了该框架的运行特性。
