协变量数发散下广义线性模型的去偏 Lasso
统计方法学
2021-11-18 v3
摘要
对单核苷酸多态性与疾病之间的联合关联进行建模并推断，在基因组-wide 关联研究中引起了兴趣。在作为动机的波士顿肺癌生存队列（BLCSC）数据中，大量感兴趣的单核苷酸多态性（虽小于样本量）对推断它们与疾病结局的联合关联提出了挑战。在类似设定下，我们发现无论是去偏 lasso 方法（van de Geer 等 2014，其假设逆信息矩阵稀疏），还是标准极大似然方法，都无法为广义线性模型给出具有满意覆盖概率的置信区间。在此“大 、发散 ”情形下，我们提出了一种替代的去偏 lasso 方法，通过直接对 Hessian 矩阵求逆而不施加矩阵稀疏性假设，与原始去偏 lasso 相比进一步降低了偏差，并确保具有名义覆盖概率的有效置信区间。我们建立了参数估计任意线性组合的渐近分布，为推断奠定了理论基础。模拟表明，所提出的精炼去偏估计方法在消除偏差和产生诚实置信区间覆盖方面表现良好。我们使用所提方法分析了上述 BLCSC 数据——一项大规模基于医院的流行病学队列研究，考察遗传变异对肺癌风险的联合效应。
引用
@article{arxiv.2110.04433,
title = {De-biased Lasso for Generalized Linear Models with A Diverging Number of Covariates},
author = {Lu Xia and Bin Nan and Yi Li},
journal= {arXiv preprint arXiv:2110.04433},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2006.12778