[論文レビュー] Large Covariance Estimation for Compositional Data Via Composition-Adjusted Thresholding

Yuanpei Cao, Wei Lin+1 more|arXiv (Cornell University)|Jan 18, 2016

Geochemistry and Geologic Mapping参考文献 16被引用数 10

ひとこと要約

本稿では、中心対数比変換と基本共分散行列の適応的しきい値処理を活用して、マイクロバイオームデータなどの高次元的組成データにおける大規模共分散行列推定のための構成調整しきい値処理（COAT）手法を提案する。この手法はスパarsity仮定の下で一貫性のある推定を保証し、スペクトルノルムにおける最適収束速度を達成し、正確なサポート回復を可能にし、シミュレーションおよび実データ解析においてナーブなしきい値処理手法を上回る性能を示す。

ABSTRACT

High-dimensional compositional data arise naturally in many applications such as metagenomic data analysis. The observed data lie in a high-dimensional simplex, and conventional statistical methods often fail to produce sensible results due to the unit-sum constraint. In this article, we address the problem of covariance estimation for high-dimensional compositional data, and introduce a composition-adjusted thresholding (COAT) method under the assumption that the basis covariance matrix is sparse. Our method is based on a decomposition relating the compositional covariance to the basis covariance, which is approximately identifiable as the dimensionality tends to infinity. The resulting procedure can be viewed as thresholding the sample centered log-ratio covariance matrix and hence is scalable for large covariance matrices. We rigorously characterize the identifiability of the covariance parameters, derive rates of convergence under the spectral norm, and provide theoretical guarantees on support recovery. Simulation studies demonstrate that the COAT estimator outperforms some naive thresholding estimators that ignore the unique features of compositional data. We apply the proposed method to the analysis of a microbiome dataset in order to understand the dependence structure among bacterial taxa in the human gut.

研究の動機と目的

• 単位和制約が標準的統計的手法を無効にするため、組成データにおける高次元的共分散行列推定の課題に対処すること。
• マイクロバイオームやその他の組成データセットにおける単体的制約に起因する誤った相関を是正すること。
• 組成構造を考慮しつつ、基礎となる基本共分散行列におけるスパarsityを実現できる、スケーラブルで理論的裏付けのある手法を開発すること。
• 高次元漸近的設定下での推定共分散行列の収束速度およびサポート回復に関する理論的保証を提供すること。
• ヒト腸内マイクロバイオームデータにおける微生物の共発現および共排除パターンに関する妥当な推論を可能にすること。

提案手法

• 次元が増加する際、組成共分散行列と基礎共分散行列を結ぶ分解を提案し、その識別可能性を近似的に保証する。
• 標本中心対数比（clr）共分散行列に対して適応的しきい値処理を適用し、基礎共分散行列を推定することで、スパarsityと一貫性を確保する。
• 推定された分散と尾部バウンドに基づくデータ依存的しきい値ルールを用いて推定誤差を制御し、有限標本性能を向上させる。
• 集中不等式を用いて推定誤差の$L_1$ノルムをバインドすることで、スペクトルノルム下での理論的収束速度を確立する。
• 2段階のイベントベースの議論を導入する：まず、clr推定器が真の基礎共分散行列からどれほど逸脱しているかを制御し、次に、しきい値処理ルールが真の共分散行列からどれほど逸脱しているかを制御する。
• clr変換されたデータと基礎共分散行列との関係を活用して、高次元設定下での識別可能性と一貫性を保証する。

実験結果

リサーチクエスチョン

• RQ1 単体的制約下で、高次元的組成データの共分散行列を一貫して推定する方法は何か？
• RQ2 真の基礎共分散行列がスパースである場合、組成データにおける共分散行列推定の理論的収束速度は何か？
• RQ3 標準的高次元的共分散行列推定に用いられるしきい値処理手順を、組成データに適応可能か？ その際、理論的保証を維持できるか？
• RQ4 組成構造を無視することで、マイクロバイオームデータにおける共分散行列推定がどれほど偏りや不一貫性を生じるか？
• RQ5 提案手法は、高次元設定下で真の共分散行列のサポート（非ゼロ関連性）を高確率で回復できるか？

主な発見

• COAT推定器は、真の基礎共分散行列のスパarsityを表す$s_0(p)$を用いて、スペクトルノルム収束速度$ O_pig( s_0(p) ig( rac{\text{log } p}{n} ig)^{(1-q)/2} ig) $を達成する。
• この手法は、確率$ 1 - O(p^{-C_3}) $で一貫したサポート回復を保証し、共分散行列の非ゼロ要素を高確率で正しく特定する。
• シミュレーション研究では、COATは、推定精度およびサポート回復の観点で、原始的な組成共分散行列に対するナーブなしきい値処理を著しく上回る。
• COAT推定器は、マイクロバイオームデータに一般的な低微生物多様性および高次元性の下でも、低いバイアスと高い精度を維持する。
• 実際のマイクロバイオームデータセットにおいて、COATは腸内細菌群の生物学的に妥当な共発現および共排除パターンを効果的に特定した。
• 理論的分析により、この手法が組成構造に対してロバストであり、次元および標本サイズに応じて適切にスケーリングされる誤差バウンドを持つことが確認された。