疾病亚组上的高维回归
应用统计
2016-12-12 v2 机器学习
摘要
我们考虑关于观测亚组的高维回归。我们的工作受生物医学问题驱动，例如其中疾病亚型可能具有不同的潜在回归模型，但亚组水平的样本量可能有限。我们关注亚组特定模型预期相似但不必完全相同的情况。我们的方法是将亚组视为相关的问题实例并联合估计亚组特定的回归系数。这在一个惩罚框架中完成，将项与惩罚亚组特定系数之间差异的附加项相结合。这给出的解全局稀疏但允许亚组之间的信息共享。我们给出了用于估计的算法以及在模拟数据和使用阿尔茨海默病、肌萎缩侧索硬化和癌症数据集上的实证结果。这些例子展示了我们的方法在预测和估计亚组特定稀疏模式能力方面可提供的收益。
引用
@article{arxiv.1611.00953,
title = {High-dimensional regression over disease subgroups},
author = {Frank Dondelinger and Sach Mukherjee and The Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:1611.00953},
year = {2016}
}