贝叶斯组合多研究因子分析
统计方法学
2020-07-27 v1
摘要
分析多个研究允许利用来自各种来源和人群的数据，但直到最近，用于联合无监督分析多个高维研究的方法仍然有限。最近的一种方法，贝叶斯多研究因子分析（BMSFA），识别所有研究共有的潜在因子以及单个研究特有的潜在因子。然而，BMSFA 不允许部分共享的因子，即由多于一个但少于所有研究共享的潜在因子。我们通过引入一种新方法 Tetris 来扩展 BMSFA，用于贝叶斯组合多研究因子分析，该方法识别可以由任何研究组合共享的潜在因子。我们使用印度自助餐过程对共享潜在因子的研究子集进行建模。我们通过广泛的模拟测试了我们的方法，并展示了其在降维和协方差估计中的实用性。最后，我们将 Tetris 应用于高维基因表达数据集，以识别乳腺癌基因表达中的模式，无论是在已知的由种系突变定义的类别内还是跨类别。
引用
@article{arxiv.2007.12616,
title = {Bayesian Combinatorial Multi-Study Factor Analysis},
author = {Isabella N. Grabski and Roberta De Vito and Lorenzo Trippa and Giovanni Parmigiani},
journal= {arXiv preprint arXiv:2007.12616},
year = {2020}
}