Covariate-adjusted Spearman's rank correlation with probability-scale residuals.
Covariate-adjusted Spearman's rank correlation with probability-scale residuals.
复制标题
DOI：
10.1111/biom.12812
复制
发表时间：
2018-06
期刊：
影响因子：
1.9
通讯作者：
Shepherd BE
中科院分区：
文献类型：
--
作者：
Liu Q;Li C;Wanga V;Shepherd BE
人们希望调整协变量的斯皮尔曼等级相关，但现有的方法有局限性。例如，传统定义的部分斯皮尔曼相关性不具有合理的总体参数，并且用copula定义的条件斯皮尔曼相关性不能容易地推广到离散变量。我们定义人口参数的部分和条件斯皮尔曼的相关性，通过一致性不一致概率。这些定义是协变量存在时斯皮尔曼秩相关的自然推广，并且对任何可排序的随机变量都是通用的。我们表明，它们可以整齐地表示使用概率尺度残差（PSR）。这种联系使我们能够得到简单的估计。我们的部分估计X和Y之间的斯皮尔曼的相关性调整为Z是PSR的相关性，从模型的X对Z和Y对Z，这是类似的部分皮尔逊相关性推导出的相关性的预测减去预期的残差。我们的条件估计量是PSR的条件相关性。我们描述了估计和推断，并强调使用半参数累积概率模型，它允许保存基于秩的性质的斯皮尔曼的相关性。我们进行模拟评估我们的估计器的性能，并将其与其他流行的关联措施进行比较，证明其鲁棒性和效率。我们说明我们的方法在两个应用程序，生物标志物的研究和一个大型调查。
It is desirable to adjust Spearman’s rank correlation for covariates, yet existing approaches have limitations. For example, the traditionally defined partial Spearman’s correlation does not have a sensible population parameter, and the conditional Spearman’s correlation defined with copulas cannot be easily generalized to discrete variables. We define population parameters for both partial and conditional Spearman’s correlation through concordance-discordance probabilities. The definitions are natural extensions of Spearman’s rank correlation in the presence of covariates and are general for any orderable random variables. We show that they can be neatly expressed using probability-scale residuals (PSRs). This connection allows us to derive simple estimators. Our partial estimator for Spearman’s correlation between X and Y adjusted for Z is the correlation of PSRs from models of X on Z and of Y on Z, which is analogous to the partial Pearson’s correlation derived as the correlation of observed-minus-expected residuals. Our conditional estimator is the conditional correlation of PSRs. We describe estimation and inference, and highlight the use of semiparametric cumulative probability models, which allow preservation of the rank-based nature of Spearman’s correlation. We conduct simulations to evaluate the performance of our estimators and compare them with other popular measures of association, demonstrating their robustness and efficiency. We illustrate our method in two applications, a biomarker study and a large survey.
登录
查看更多内容
影响因子：
1.8
作者：
Stefanski, LA;Boos, DD
通讯作者：
Boos, DD
影响因子：
3.7
作者：
KRUSKAL, WH
通讯作者：
KRUSKAL, WH
DOI：
10.1002/cjs.11302
发表时间：
2016-12
期刊：
The Canadian journal of statistics = Revue canadienne de statistique
影响因子：
--
作者：
Shepherd BE;Li C;Liu Q
通讯作者：
Liu Q
影响因子：
3.7
作者：
Li, Chun;Shepherd, Bryan E.
通讯作者：
Shepherd, Bryan E.
影响因子：
1.6
作者：
Neslehova, Johanna
通讯作者：
Neslehova, Johanna