广义效应建模 (GEM) —— 第一部分：方法描述

我们提出了一种名为广义效应建模 (GEM) 的灵活工具，用于分析受一个或多个定性（分类）或定量（连续）输入变量影响的任何多变量数据。这些变量可以是设计因素或观测值（例如年龄、性别或收入），也可以代表通过数据探索发现的样本子群。GEM 的第一步通过应用一般线性模型，将多变量数据中的变异分解为与每个影响变量（以及它们之间可能的交互作用）相关的效应矩阵。模型的残差被加到每个效应矩阵中，其结果被称为效应加残差 (ER) 值。ER 值表的维度与原始多变量数据相同。GEM 的第二步是对 ER 表进行多变量或单变量探索，以进一步了解多变量数据与每个输入变量之间的关系。该探索过程被简化，因为它每次只处理一个输入变量，或者在需要时处理输入变量的组合。一个例子是一项旨在识别与某种疾病相关且不受年龄影响的分子指纹的研究，该实验包含了不同年龄段患有和未患有该疾病的个体。这种情况可以描述为具有两个输入变量的实验：目标疾病和个体年龄。通过 GEM，可以消除年龄效应，从而将进一步的分析集中在目标疾病上，而不受年龄这一混杂效应的影响。ER 值也可以是多个输入变量的组合效应。本出版物分为三个部分：第一部分描述 GEM 方法；第二部分探讨多变量数据以及通过多变量分析处理此类数据的优势，重点关注组学数据；第三部分是多发性硬化症 (MS) 的案例研究。