.png){kind=icon}
返回
Debiased group lasso for multiple compositional data
.png){kind=icon}
PRE
AI
DOI：10.1007/s10463-025-00956-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了多重组成数据中变量选择与统计推断的挑战，特别是在多站点人体微生物组研究背景下。我们提出了一种新的组lasso框架扩展，通过多重组成回归模型来处理组成型协变量。该方法同时纳入了组成约束和去偏处理过程，能够为分组系数提供渐近无偏且服从正态分布的估计值。我们基于渐近卡方统计量开发了分组变量的显著性检验方法，并对估计误差界限提供了严格的理论保证。通过广泛的模拟研究，我们证明所提出的方法优于传统方法，特别是在弱信号场景下，能够通过实现更高的阳性预测值来取得更好的性能。最后，我们将该方法应用于人体微生物组数据集，以识别与胆固醇水平相关的细菌分类单元，展示了我们方法的实际应用价值。
Keyword:
Variable selection
Group lasso
Compositional data
Debiasing
Microbiome data
期刊
A
IF:
0.6
论文数:
27
被引数:
2.1K
机构
暂无机构信息
引用论文
APPLICATIONS OF NEXT-GENERATION SEQUENCING The human microbiome: at the interface of health and disease下一代测序人类微生物组的应用: 健康与疾病的界面
OAAI
OAAI分享收藏
Comparison of the ruminal and fecal microbiotas in beef calves supplemented or not with concentrate.png)
PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏Resampling-based inferences for compositional regression with application to beef cattle microbiomes基于重采样的组成性回归推断及其在牛肉牛微生物组中的应用
PREAI
分享收藏Principal component analysis for zero-inflated compositional data零膨胀组成数据的 principal component analysis
PREAI
分享收藏
查看更多内容