针对潜变量校正的多重假设检验及其在 AGEMAP 基因表达数据中的应用
应用统计
2013-01-14 v1
摘要
在高通量设置中，我们检查大量候选变量（例如基因）以寻找其与主要变量（例如表型）的关联。系统性效应和其他潜变量的存在使得高通量假设检验变得困难。众所周知，这些变量会改变检验水平并在检验之间诱导相关性。它们还会改变假设间显著性水平的相对排序。糟糕的排序会导致后续研究既浪费又无效。对于与主要变量相关的潜变量，这一问题尤为尖锐。我们提出了一种两阶段分析方法来抵消潜变量对假设排序的影响。我们的方法称为 LEAPP，它在统计上将潜变量与主要变量隔离开来。在模拟中，该方法比 SVA 和 EIGENSTRAT 等竞争方法能提供更好的假设排序。作为示例，我们转向 AGEMAP 研究的数据，该研究涉及小鼠 16 种组织中基因表达与年龄的关系。与其他方法获得的排序相比，LEAPP 生成的排序在不同组织间具有更高的一致性。
引用
@article{arxiv.1301.2420,
title = {Multiple hypothesis testing adjusted for latent variables, with an application to the AGEMAP gene expression data},
author = {Yunting Sun and Nancy R. Zhang and Art B. Owen},
journal= {arXiv preprint arXiv:1301.2420},
year = {2013}
}
备注
Published in at http://dx.doi.org/10.1214/12-AOAS561 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)