Regression for skewed biomarker outcomes subject to pooling.
Regression for skewed biomarker outcomes subject to pooling.
复制标题
DOI：
10.1111/biom.12134
复制
发表时间：
2014-03
期刊：
影响因子：
1.9
通讯作者：
Schisterman EF
中科院分区：
文献类型：
--
作者：
Mitchell EM;Lyles RH;Manatunga AK;Danaher M;Perkins NJ;Schisterman EF
涉及生物标志物的流行病学研究经常受到昂贵的实验室测试的阻碍。在进行这些实验室检测之前策略性地合并样本已被证明可以有效降低成本，并在逻辑回归设置中将信息损失降至最低。当目标是以连续生物标志物作为结果进行回归时，合并标本的回归分析可能并不简单，特别是如果结果是右偏的。在这种情况下，我们证明，当通过将来自具有相同协变量值的受试者的生物标本组合形成池时，对池数据的标准多元线性回归模型进行轻微修改可以提供有效和精确的系数估计。当这些x-齐次池不能形成，我们提出了一个蒙特卡洛期望最大化（MCEM）算法来计算最大似然估计（MLE）。模拟研究表明，这些分析方法提供了基本上无偏的估计系数参数以及它们的标准误差时，适当的假设得到满足。此外，我们展示了如何利用充分观察到的协变量数据来告知合并策略，从而以总实验室成本的一小部分产生高水平的统计效率。
Epidemiological studies involving biomarkers are often hindered by prohibitively expensive laboratory tests. Strategically pooling specimens prior to performing these lab assays has been shown to effectively reduce cost with minimal information loss in a logistic regression setting. When the goal is to perform regression with a continuous biomarker as the outcome, regression analysis of pooled specimens may not be straightforward, particularly if the outcome is right-skewed. In such cases, we demonstrate that a slight modification of a standard multiple linear regression model for poolwise data can provide valid and precise coefficient estimates when pools are formed by combining biospecimens from subjects with identical covariate values. When these x-homogeneous pools cannot be formed, we propose a Monte Carlo Expectation Maximization (MCEM) algorithm to compute maximum likelihood estimates (MLEs). Simulation studies demonstrate that these analytical methods provide essentially unbiased estimates of coefficient parameters as well as their standard errors when appropriate assumptions are met. Furthermore, we show how one can utilize the fully observed covariate data to inform the pooling strategy, yielding a high level of statistical efficiency at a fraction of the total lab cost.
登录
查看更多内容
影响因子：
2
作者：
Whitcomb, Brian W.;Perkins, Neil J.;Zhang, Zhiwei;Ye, Aijun;Lyles, Robert H.
通讯作者：
Lyles, Robert H.
影响因子：
1.9
作者：
Weinberg, CR;Umbach, DM
通讯作者：
Umbach, DM
影响因子：
1.9
作者：
Vansteelandt, S;Goetghebeur, E;Verstraeten, T
通讯作者：
Verstraeten, T
影响因子：
6.7
作者：
Whitcomb, Brian W.;Schisterman, Enrique F.;Chegini, Nasser
通讯作者：
Chegini, Nasser
影响因子：
5.6
作者：
Hardy, JB
通讯作者：
Hardy, JB