[논문 리뷰] Large Covariance Estimation for Compositional Data Via Composition-Adjusted Thresholding

Yuanpei Cao, Wei Lin외 1명|arXiv (Cornell University)|2016. 01. 18.

Geochemistry and Geologic Mapping참고 문헌 16인용 수 10

한 줄 요약

이 논문은 중심로그비율 변환과 기저 공분산 행렬에 대한 적응형 임계치 설정을 활용하여, 마이크로바이옴 데이터와 같은 고차원 조성 데이터에서의 큰 공분산 추정을 위한 조성 조정 임계치 설정(COAT) 방법을 제안한다. 이 방법은 희박성 가정 하에 일致한 추정을 보장하며, 스펙트럴 노름에서 최적의 수렴 속도를 달성하고 정확한 지지 집합 복원이 가능하여 시뮬레이션과 실제 데이터 분석에서 단순 임계치 설정 방법보다 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 합계가 1인 제약 조건으로 인해 표준 통계적 방법이 무력화되는 조성 데이터에서의 고차원 공분산 추정 문제를 해결한다.
• 마이크로바이옴 및 기타 조성 데이터 세트에서 단순체 제약 조건으로 인해 유발되는 허구적 상관관계 문제를 해결한다.
• 조성 구조를 고려하면서도 기저 공분산에 대한 희박성 가능성을 보장하는 확장 가능한, 이론적으로 탄탄한 방법을 개발한다.
• 고차원 점점 증가하는 설정 하에서 추정된 공분산에 대한 수렴 속도와 지지 집합 복원에 대한 이론적 보장을 제공한다.
• 인간 대장 마이크로바이옴 데이터에서 미생물 상호작용 및 상호배제 패턴에 대한 타당한 추론을 가능하게 한다.

제안 방법

• 차원이 증가함에 따라 대략 식별 가능해지는 기저 공분산 행렬과 조성 공분산 간의 분해를 제안한다.
• 표본 중심로그비율(clr) 공분산 행렬에 적응형 임계치 설정을 적용하여 기저 공분산을 추정함으로써 희박성과 일관성을 확보한다.
• 추정된 분산과 尾尾 확률 한계를 기반으로 한 데이터 기반 임계치 규칙을 도입하여 추정 오차를 통제하고 유한 표본 성능을 향상시킨다.
• 집중 부등식을 사용하여 추정 오차의 $L_1$-노름을 경계함으로써 스펙트럴 노름 하에서 이론적 수렴 속도를 확립한다.
• 두 단계 이벤트 기반 추론을 도입한다: 첫째, clr 추정기의 진짜 기저 공분산에서의 편차를 통제하고, 둘째, 임계치 설정 규칙의 진짜 공분산에서의 편차를 통제한다.
• clr 변환된 데이터와 기저 공분산 간의 관계를 활용하여 고차원 설정에서 식별 가능성과 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 단순체 제약 조건 하에서 고차원 조성 데이터의 공분산 행렬을 어떻게 일관되게 추정할 수 있는가?
• RQ2 진짜 기저 공분산이 희박할 경우 조성 데이터에서의 공분산 추정에 대한 이론적 수렴 속도는 무엇인가?
• RQ3 표준 고차원 공분산 추정을 위한 임계치 설정 절차를 조성 데이터에 적응시킬 수 있으며, 이론적 보장을 유지할 수 있는가?
• RQ4 조성 구조를 忽略할 경우 마이크로바이옴 데이터에서 공분산 추정이 얼마나 편향되거나 일관성 없어지는가?
• RQ5 제안된 방법은 고차원 설정에서 진짜 공분산 행렬의 지지 집합(즉, 비영인 연관성)을 높은 확률로 복원할 수 있는가?

주요 결과

• COAT 추정기의 스펙트럴 노름 수렴 속도는 $ O_pig( s_0(p) ig( \frac{\text{log } p}{n} \big)^{(1-q)/2} \big) $이며, 여기서 $ s_0(p) $는 진짜 기저 공분산의 희박성이다.
• 이 방법은 확률 $ 1 - O(p^{-C_3}) $로 일관된 지지 집합 복원을 보장하여, 공분산 행렬의 비영인 항목을 높은 확률로 정확히 식별한다.
• 시뮬레이션 연구 결과 COAT는 원시 조성 공분산 행렬에 대한 단순 임계치 설정 방법보다 추정 정확도와 지지 집합 복원 측면에서 뚜렷이 뛰어난 성능을 보였다.
• COAT 추정기는 저조한 미생물 다양성과 높은 차원성 등 마이크로바이옴 데이터에서 흔한 조건에서도 낮은 편향과 높은 정밀도를 유지한다.
• 실제 마이크로바이옴 데이터셋에서 COAT는 대장 세균 계통 간 생물학적으로 타당한 공존 및 상호배제 패턴을 성공적으로 드러냈다.
• 이론적 분석을 통해 이 방법이 조성 구조에 대해 강건하며, 차원과 표본 크기에 비례하는 적절한 오차 경계를 보임을 확인했다.