Partial Correlation Estimation by Joint Sparse Regression Models.
Partial Correlation Estimation by Joint Sparse Regression Models.
复制标题
DOI：
10.1198/jasa.2009.0126
复制
发表时间：
2009-06-01
影响因子：
3.7
通讯作者：
Zhu J
中科院分区：
文献类型：
--
作者：
Peng J;Wang P;Zhou N;Zhu J
在本文中，我们提出了一种计算高效的方法——空间（稀疏部分相关估计）——用于在高维低样本量设置下选择非零偏相关。该方法假设偏相关矩阵整体稀疏，并采用稀疏回归技术进行模型拟合。我们通过广泛的模拟研究来说明空间的性能。结果表明，空间在非零偏相关选择和中心变量识别方面都表现良好，并且优于现有的两种方法。然后，我们将空间应用于微阵列乳腺癌数据集，并确定一组可能为基因调控网络提供重要见解的中心基因。最后，我们证明，在一组合适的假设下，所提出的过程在模型选择和参数估计方面是渐近一致的。
In this paper, we propose a computationally efficient approach —space(Sparse PArtial Correlation Estimation)— for selecting non-zero partial correlations under the high-dimension-low-sample-size setting. This method assumes the overall sparsity of the partial correlation matrix and employs sparse regression techniques for model fitting. We illustrate the performance of space by extensive simulation studies. It is shown that space performs well in both non-zero partial correlation selection and the identification of hub variables, and also outperforms two existing methods. We then apply space to a microarray breast cancer data set and identify a set of hub genes which may provide important insights on genetic regulatory networks. Finally, we prove that, under a set of suitable assumptions, the proposed procedure is asymptotically consistent in terms of model selection and parameter estimation.
登录
查看更多内容
影响因子：
1.8
作者：
Levina, Elizaveta;Rothman, Adam;Zhu, Ji
通讯作者：
Zhu, Ji
影响因子：
4.5
作者：
Buhlmann, Peter
通讯作者：
Buhlmann, Peter
影响因子：
8
作者：
Matsuda, M;Miyagawa, K;Kamiya, K
通讯作者：
Kamiya, K
影响因子：
64.8
作者：
Jeong, H;Mason, SP;Oltvai, ZN
通讯作者：
Oltvai, ZN
影响因子：
2.1
作者：
Li, HZ;Gui, J
通讯作者：
Gui, J