Sparse semiparametric canonical correlation analysis for data of mixed types.
Sparse semiparametric canonical correlation analysis for data of mixed types.
复制标题
DOI：
10.1093/biomet/asaa007
复制
发表时间：
2020-09
期刊：
影响因子：
2.7
通讯作者：
Gaynanova I
中科院分区：
文献类型：
--
作者：
Yoon G;Carroll RJ;Gaynanova I
典型相关分析研究两组变量之间的线性关系，但由于高维和混合数据类型（连续/二进制/零膨胀），在现代数据集上通常效果不佳。我们提出了一种不需要明确参数假设的混合数据类型稀疏典型相关分析的新方法。我们的主要贡献是使用截断的隐高斯copula对具有多余零的数据进行建模，这使我们能够在不估计边际变换函数的情况下推导出隐相关矩阵的基于秩的估计器。数值研究表明，所得到的半参数稀疏典型相关分析方法在高维环境下效果良好，并应用于乳腺癌患者基因表达与微RNA数据之间的关联分析。
Canonical correlation analysis investigates linear relationships between two sets of variables, but often works poorly on modern datasets due to high-dimensionality and mixed data types (continuous/binary/zero-inflated). We propose a new approach for sparse canonical correlation analysis of mixed data types that does not require explicit parametric assumptions. Our main contribution is the use of truncated latent Gaussian copula to model the data with excess zeroes, which allows us to derive a rank-based estimator of latent correlation matrix without the estimation of marginal transformation functions. The resulting semiparametric sparse canonical correlation analysis method works well in high-dimensional settings as demonstrated via numerical studies, and application to the analysis of association between gene expression and micro RNA data of breast cancer patients.
登录
查看更多内容
miR-135b 在乳腺癌中表达上调，通过调节 LATS2 促进细胞生长并破坏细胞周期
影响因子：
5.2
作者：
Hua, Kaiyao;Jin, Jiali;Fang, Lin
通讯作者：
Fang, Lin
影响因子：
1
作者：
Chen, Xi;Liu, Han
通讯作者：
Liu, Han
ELF5同工型表达是组织特异性的，并且在癌症中显着改变。
DOI：
10.1186/s13058-015-0666-0
发表时间：
2016-01-07
期刊：
Breast cancer research : BCR
影响因子：
--
作者：
Piggin CL;Roden DL;Gallego-Ortega D;Lee HJ;Oakes SR;Ormandy CJ
通讯作者：
Ormandy CJ
影响因子：
1.4
作者：
Reid, Stephen;Tibshirani, Robert;Friedman, Jerome
通讯作者：
Friedman, Jerome
影响因子：
1.2
作者：
Gorski, Jochen;Pfeuffer, Frank;Klamroth, Kathrin
通讯作者：
Klamroth, Kathrin