用于预测的个体特定网络中图论特征的灵活参数化
统计方法学
2023-08-30 v1 应用统计
摘要
需要统计技术来分析具有复杂依赖关系的数据结构，从而提取具有临床用途的信息。捕获复杂生物系统依赖关系的个体特定网络通常由图论特征来概括。这些适用于结果建模的特征，可能因网络推断中的任意决策和噪声而具有高度变异性。基于相关性的邻接矩阵在提取有意义的图论特征前常需稀疏化，要求数据分析者确定最优阈值。为解决此问题，我们提出在全部可能阈值范围上引入灵活加权函数，以捕获图论特征在阈值域上的变异性。这种将函数数据分析概念扩展到图论环境的方法的潜力，在使用来自 Autism Brain Imaging Data Exchange (ABIDE) Preprocessed 计划的真实功能磁共振成像（fMRI）数据的 plasmode 模拟研究中进行了探索。模拟表明，我们的建模方法能准确估计加权函数的函数形式，提高推断效率，并与竞争建模方法相比获得相当或更低的根均方预测误差。在结果生成过程具有复杂函数形式且采用通用阈值值的设定下，该结论同样成立。我们利用静息态 fMRI 数据预测儿童生物年龄，展示了本方法的实际效用。我们的研究确立了该灵活建模方法作为一种统计上严谨、性能优于临时方法的强有力竞争方案。
引用
@article{arxiv.2308.15365,
title = {Flexible parametrization of graph-theoretical features from individual-specific networks for prediction},
author = {Mariella Gregorich and Sean L. Simpson and Georg Heinze},
journal= {arXiv preprint arXiv:2308.15365},
year = {2023}
}