Globally Adaptive Longitudinal Quantile Regression with High Dimensional Compositional Covariates.
Globally Adaptive Longitudinal Quantile Regression with High Dimensional Compositional Covariates.
复制标题
具有高维成分协变量的全局自适应纵向分位数回归
DOI：
10.5705/ss.202021.0006
复制
发表时间：
2023-05
影响因子：
1.4
通讯作者：
Peng L
中科院分区：
文献类型：
--
作者：
Ma H;Zheng Q;Zhang Z;Lai H;Peng L
在这项工作中，我们提出了一个纵向分位数回归框架，该框架能够在存在高维成分协变量以及重复测量响应和协变量的情况下对异质协变量响应关联进行鲁棒表征。我们开发了一种全局自适应惩罚程序，它可以一致地识别连续的分位数水平集的协变量稀疏模式。所提出的估计程序适当地聚合了一段时间内的纵向观察结果，并确保满足正确解释成分协变量的影响所需的零和系数约束。我们建立了所得估计量的均匀收敛和弱收敛的预言率，并进一步证明了所提出的调整参数的均匀选择器在实现全局模型选择一致性方面的合理性。我们通过合并现有的 R 包来导出有效的算法，以促进稳定和快速的计算。我们广泛的模拟研究证实了理论结果。我们将所提出的方法应用于囊性纤维化儿童的纵向研究，其中肠道微生物组与其他饮食相关生物标志物之间的关联令人感兴趣。
In this work, we propose a longitudinal quantile regression framework that enables a robust characterization of heterogeneous covariate-response associations in the presence of high-dimensional compositional covariates and repeated measurements of both response and covariates. We develop a globally adaptive penalization procedure, which can consistently identify covariate sparsity patterns across a continuum set of quantile levels. The proposed estimation procedure properly aggregates longitudinal observations over time, and ensures the satisfaction of the sum-zero coefficient constraint that is needed for proper interpretation of the effects of compositional covariates. We establish the oracle rate of uniform convergence and weak convergence of the resulting estimators, and further justify the proposed uniform selector of the tuning parameter in terms of achieving global model selection consistency. We derive an efficient algorithm by incorporating existing R packages to facilitate stable and fast computation. Our extensive simulation studies confirm the theoretical findings. We apply the proposed method to a longitudinal study of cystic fibrosis children where the association between gut microbiome and other diet-related biomarkers is of interest.
登录
查看更多内容
影响因子：
1.6
作者：
Koenker, R
通讯作者：
Koenker, R
影响因子：
4.5
作者：
Belloni, Alexandre;Chernozhukov, Victor
通讯作者：
Chernozhukov, Victor
DOI：
10.1111/1467-9876.00084
发表时间：
1997-01-01
影响因子：
1.6
作者：
Lipsitz, SR;Fitzmaurice, GM;Zhao, LP
通讯作者：
Zhao, LP
DOI：
10.1198/016214506000000979
发表时间：
2007-03-01
影响因子：
3.7
作者：
Li, Youjuan;Liu, Yufeng;Zhu, Ji
通讯作者：
Zhu, Ji
DOI：
10.1080/03610926.2019.1604966
发表时间：
2019-04-24
影响因子：
0.8
作者：
Gao, Xianli;Liu, Qiang
通讯作者：
Liu, Qiang