多维性状关联研究中核机器回归与核距离协方差的等价性
机器学习
2014-04-03 v2 统计方法学
摘要
将遗传标记与多维表型关联起来是一个重要但具有挑战性的问题。在这项工作中，我们建立了两种流行方法之间的等价性：核机器回归（KMR）和核距离协方差（KDC）。KMR 是一种半参数回归框架，以参数化方式建模协变量效应，而遗传标记则以非参数化方式处理。KDC 代表了一类方法，包括距离协方差（DC）和希尔伯特-施密特独立性准则（HSIC），它们是非参数独立性检验。我们证明了在一定条件下 KMR 的得分检验与 KDC 统计量之间的等价性。这一结果引出了 KDC 检验的一种新颖推广，该推广纳入了协变量。我们的贡献有三方面：(1) 建立 KMR 与 KDC 之间的等价性；(2) 表明核机器回归的原理可应用于 KDC 的解释；(3) 发展出一类更广泛的 KDC 统计量，其成员是不同核的量。我们通过模拟研究展示了这些提议。来自阿尔茨海默病神经影像学倡议（ADNI）的数据被用于探索基因 FLJ16124 上的遗传变异与以 3D 结构脑 MR 图像表示的表型之间的关联，并对年龄和性别进行了调整。结果表明，FLJ16124 的单核苷酸多态性（SNPs）表现出强烈的成对交互效应，这些效应与脑区体积的变化相关。
引用
@article{arxiv.1402.2679,
title = {Equivalence of Kernel Machine Regression and Kernel Distance Covariance for Multidimensional Trait Association Studies},
author = {Wen-Yu Hua and Debashis Ghosh},
journal= {arXiv preprint arXiv:1402.2679},
year = {2014}
}