数据共享约束下异质性高维多重检验的整合方法
统计方法学
2020-04-08 v3
摘要
在高维回归模型中识别信息性预测变量是关联分析与预测建模的关键步骤。高维设定下的信号检测常因样本量有限而失败。一种提升功效的方法是对同一科学问题的多项研究进行元分析。然而，在多研究间存在异质性的情况下，高维数据的整合分析颇具挑战。当存在仅可共享汇总数据而不能共享个体水平数据的额外数据共享约束时，该挑战更为突出。本文提出一种新颖的数据屏蔽整合大规模检验（DSILT）方法用于信号检测，其允许研究间异质性且无需共享个体水平数据。假设各研究底层高维回归模型不同但共享相似支撑集，DSILT 方法引入适当的整合估计与去偏步骤，以构建特定协变量总体效应的检验统计量。我们还开发了多重检验流程，在控制错误发现率（FDR）与错误发现比例（FDP）的同时识别显著效应。理论比较了 DSILT 流程与理想个体水平元分析（ILMA）方法及其他分布式推断方法。模拟研究表明 DSILT 流程在错误发现控制与功效获取上均表现良好。所提方法应用于检测他汀类药物与肥胖的遗传变异对 2 型糖尿病风险的交互作用的真实实例。
引用
@article{arxiv.2004.00816,
title = {Integrative High Dimensional Multiple Testing with Heterogeneity under Data Sharing Constraints},
author = {Molei Liu and Yin Xia and Kelly Cho and Tianxi Cai},
journal= {arXiv preprint arXiv:2004.00816},
year = {2020}
}