基于随机效应潜因子建模的高维惩罚广义线性混合模型高效计算
统计方法学
2024-04-18 v2 统计计算
摘要
现代生物医学数据集维度日益增高且呈现复杂相关结构。广义线性混合模型（GLMMs）长期以来被用于刻画此类依赖关系。然而在高维情形下，GLMMs 中固定效应与随机效应的合理设定愈发困难，且计算复杂度随随机效应维数增加而增长。我们提出一种利用随机效应因子模型分解对 GLMM 进行重新表述的方法，通过将潜空间从大量随机效应缩减为较小的一组潜因子，实现高维 GLMM 的可扩展计算。我们还将先前工作扩展为使用改进的蒙特卡洛期望条件最小化算法估计模型参数，从而可同时对固定与随机效应进行变量选择。模拟表明，通过该因子模型分解，我们的方法能比同类方法更快地拟合高维惩罚 GLMM，并更易扩展到现有方法所未及的更大维度。
引用
@article{arxiv.2305.08201,
title = {Efficient Computation of High-Dimensional Penalized Generalized Linear Mixed Models by Latent Factor Modeling of the Random Effects},
author = {Hillary M. Heiling and Naim U. Rashid and Quefeng Li and Xianlu L. Peng and Jen Jen Yeh and Joseph G. Ibrahim},
journal= {arXiv preprint arXiv:2305.08201},
year = {2024}
}