用于增强 OnPLS 模型中总体、全局、局部与独有变异解释的多块正交投影变量影响 (MB-VIOP)
统计方法学
2024-07-23 v2 定量方法
摘要
对于仅涉及两个输入矩阵的多变量数据分析,先前发表的正交投影变量影响方法(如 VIPOPLS 或 VIPO2PLS)被广泛用于变量选择目的,包括(i)变量重要性评估、(ii)大数据降维以及(iii)PLS、OPLS 和 O2PLS 模型的解释增强。对于多块分析,OnPLS 模型通过计算潜变量来寻找多个数据矩阵间的关系;然而,迄今为止尚无通过评估输入变量重要性来改进这些潜变量解释的方法。本文阐释了一种称为多块正交投影变量影响(MB-VIOP)的多块分析变量选择方法。MB-VIOP 是一种基于模型的变量选择方法,其利用 OnPLS 模型的数据矩阵、得分与归一化载荷,将多于两个数据矩阵的输入变量按照其对总体多块模型以及分别对独有、局部和全局模型组分简化与解释的重要性进行排序。MB-VIOP 已使用三个多块数据集进行了测试。MB-VIOP 可评估任何类型数据中的变量重要性。MB-VIOP 根据不同输入变量对各潜变量解释的相关性将其连接,从而对每个 OnPLS 模型组分提供增强的可解释性。此外,MB-VIOP 可处理变异类型的强重叠,以及维度差异很大的多个数据块。MB-VIOP 生成具有高可解释性的降维模型的能力,使该方法成为大数据挖掘、多组学数据整合以及任何需要探索和解释大规模数据流的研究的理想选择。
引用
@article{arxiv.2001.06530,
title = {Multiblock variable influence on orthogonal projections (MB-VIOP) for enhanced interpretation of total, global, local and unique variations in OnPLS models},
author = {B. Galindo-Prieto and P. Geladi and J. Trygg},
journal= {arXiv preprint arXiv:2001.06530},
year = {2024}
}
备注
It has 54 pages (including 4 figures, 5 tables, and supporting information). Submitted to peer-reviewed journal