[论文解读] Joint Mean and Covariance Estimation with Unreplicated Matrix-Variate Data

Michael Hornstein, Roger Fan+2 more|arXiv (Cornell University)|Nov 13, 2016

Statistical Methods and Inference参考文献 31被引用 4

一句话总结

本文提出了一种在无重复的矩阵变量数据中联合估计均值与协方差结构的方法，结合广义最小二乘法与惩罚协方差估计。该方法可一致估计均值参数与依赖结构，提升基因组学数据中差异表达分析的校准性与检验效能。

ABSTRACT

It has been proposed that complex populations, such as those that arise in genomics studies, may exhibit dependencies among observations as well as among variables. This gives rise to the challenging problem of analyzing unreplicated high-dimensional data with unknown mean and dependence structures. Matrix-variate approaches that impose various forms of (inverse) covariance sparsity allow flexible dependence structures to be estimated, but cannot directly be applied when the mean and covariance matrices are estimated jointly. We present a practical method utilizing generalized least squares and penalized (inverse) covariance estimation to address this challenge. We establish consistency and obtain rates of convergence for estimating the mean parameters and covariance matrices. The advantages of our approaches are: (i) dependence graphs and covariance structures can be estimated in the presence of unknown mean structure, (ii) the mean structure becomes more efficiently estimated when accounting for the dependence structure among observations; and (iii) inferences about the mean parameters become correctly calibrated. We use simulation studies and analysis of genomic data from a twin study of ulcerative colitis to illustrate the statistical convergence and the performance of our methods in practical settings. Several lines of evidence show that the test statistics for differential gene expression produced by our methods are correctly calibrated and improve power over conventional methods. Supplementary materials for this article are available online.

研究动机与目标

• 解决在观测值与变量间存在复杂依赖关系的高维无重复矩阵变量数据中，同时估计均值与协方差结构的挑战。
• 克服现有方法在无重复条件下假设均值为零或无法联合估计均值与协方差的局限性。
• 通过考虑未预期的样本间相关性，改进差异基因表达统计检验的校准性与效能。
• 开发一种实用的迭代算法，通过广义最小二乘法与阈值化方法交替估计均值与协方差。
• 证明考虑依赖结构可带来更校准良好的检验统计量，并减少对事后调整（如基因组控制）的需求。

提出的方法

• 使用广义最小二乘法（GLS）在未知观测值间协方差结构下估计均值参数。
• 采用惩罚（逆）协方差估计方法，同时对观测值与变量间的依赖关系建模，并通过阈值化实现稀疏性。
• 在基于工作协方差矩阵估计均值与利用残差更新协方差估计之间进行迭代交替。
• 在联合估计均值与协方差后，采用Wald型统计量对均值参数进行推断。
• 以Zhou等人（2014）提出的二维协方差估计技术为基础，对矩阵两个轴上的依赖关系进行建模。
• 实施一种改进的球化程序，考虑样本间协方差中的完整依赖结构$A$，从而提升检验统计量的校准性。

实验结果

研究问题

• RQ1 在未知依赖结构的无重复矩阵变量数据中，能否一致实现均值与协方差的联合估计？
• RQ2 在差异表达分析中，考虑样本间相关性如何改善检验统计量的校准性？
• RQ3 同时建模观测值与变量间依赖关系对统计效能与假发现率控制有何影响？
• RQ4 与现有方法（如球化法与混杂因素调整）相比，所提出的基于GLS的方法在敏感性与特异性方面表现如何？
• RQ5 该方法在高维基因组学研究中在多大程度上减少了对事后校准调整（如基因组控制）的依赖？

主要发现

• 在适当的正则化条件下，所提出的方法可一致估计均值参数与协方差矩阵。
• 模拟研究显示，与球化法及混杂因素调整方法相比，基于GLS的方法在检测真实均值差异方面始终表现出更高的敏感性与特异性。
• 在非单位协方差结构（如AR1或分块结构）下，该方法相比传统方法显著改善了检验统计量的校准性。
• 在真实溃疡性结肠炎数据中，该方法产生的检验统计量比CATE更分散且更校准良好，检验统计量相关性为0.75，但在FDR < 0.1条件下仅有一个重叠显著基因（DPP10-AS1）。
• 该方法通过内在地考虑未预期的样本间相关性，减少了对事后调整（如基因组控制）的依赖。
• 该算法在多种依赖结构（包括AR1、星形分块及Erdős-Rényi随机图模型）下均表现出稳健性能。