[论文解读] Kronecker product linear exponent AR(1) correlation structures and separability tests for multivariate repeated measures

Sean L. Simpson, Lloyd J. Edwards+2 more|arXiv (Cornell University)|Oct 21, 2010

Statistical Methods and Inference参考文献 37被引用 4

一句话总结

本文提出了一种用于多变量重复测量数据的克罗内克积线性指数自回归(1)（LEAR）相关结构，实现了对纵向影像研究中时空相关性的灵活且简洁的建模。该研究提出了一种计算上可行的可分性检验方法，适用于高维、小样本数据，并在精神分裂症尾状核形态研究中展示了相较于标准模型的改进拟合效果。

ABSTRACT

Longitudinal imaging studies have moved to the forefront of medical research due to their ability to characterize spatio-temporal features of biological structures across the lifespan. Credible models of the correlations in longitudinal imaging require two or more pattern components. Valid inference requires enough flexibility of the correlation model to allow reasonable fidelity to the true pattern. On the other hand, the existence of computable estimates demands a parsimonious parameterization of the correlation structure. For many one-dimensional spatial or temporal arrays, the linear exponent autoregressive (LEAR) correlation structure meets these two opposing goals in one model. The LEAR structure is a flexible two-parameter correlation model that applies in situations in which the within-subject correlation decreases exponentially in time or space. It allows for an attenuation or acceleration of the exponential decay rate imposed by the commonly used continuous-time AR(1) structure. Here we propose the Kronecker product LEAR correlation structure for multivariate repeated measures data in which the correlation between measurements for a given subject is induced by two factors. We also provide a scientifically informed approach to assessing the adequacy of a Kronecker product LEAR model and a general unstructured Kronecker product model. The approach provides useful guidance for high dimension, low sample size data that preclude using standard likelihood based tests. Longitudinal medical imaging data of caudate morphology in schizophrenia illustrates the appeal of the Kronecker product LEAR correlation structure.

研究动机与目标

• 解决在高维、小样本条件下，多变量纵向影像数据中对灵活但简洁的相关结构的需求。
• 克服标准AR(1)和无结构相关模型在捕捉复杂时空依赖模式方面的局限性。
• 开发一种计算上可行的方法，用于评估高维重复测量数据中的模型充分性与可分性。
• 为似然比检验提供一种科学上合理的替代方法，后者在小样本、高维设置下不可行。
• 在真实神经影像数据中展示所提模型的实用性，特别是在研究精神分裂症中形态学变化方面。

提出的方法

• 提出一种克罗内克积结构，将时间相关矩阵与空间或多元特征相关矩阵结合，实现对复杂相关模式的可分性建模。
• 采用线性指数AR(1)（LEAR）结构，通过基线相关性和衰减加速参数两个参数，推广标准AR(1)结构，使其允许非恒定衰减速率。
• 基于估计的克罗内克积LEAR模型与一般无结构克罗内克积模型之间的差异构建检验统计量，以评估模型充分性。
• 采用基于置换的方法评估可分性检验的显著性，避免依赖在高维、小样本设置下不可靠的渐近分布。
• 利用该检验判断数据是否支持可分相关结构，从而在不损失拟合度的前提下降低模型复杂度。
• 在模拟研究中实施该方法，并将其应用于精神分裂症患者尾状核形态的纵向MRI数据，以验证性能。

实验结果

研究问题

• RQ1 克罗内克积LEAR相关结构能否有效建模具有复杂时空相关模式的多变量重复测量数据？
• RQ2 所提出的可分性检验是否能在高维、小样本设置下，为似然比检验提供可靠的替代方案？
• RQ3 LEAR结构在拟合真实神经影像数据方面，与标准AR(1)和无结构相关模型相比表现如何？
• RQ4 克罗内克积结构在多大程度上提升了模型的简洁性，同时保持对真实相关结构的保真度？
• RQ5 所提出的检验在医学影像研究中常见的小样本、分布假设违反情况下是否具有鲁棒性？

主要发现

• 在精神分裂症患者尾状核形态数据中，克罗内克积LEAR模型的拟合效果显著优于标准AR(1)和无结构模型。
• 所提出的可分性检验成功识别出数据中有效的克罗内克积结构，支持模型简洁性而不损失拟合度。
• 基于置换的检验在高维、小样本模拟中保持了适当的I类错误率，并表现出良好的检验效能。
• LEAR结构允许非指数衰减速率，相较于标准AR(1)，能更灵活地捕捉相关性随时间衰减的加速或减速现象。
• 该方法在真实神经影像数据中展现出实际应用价值，其中由于高维性，标准似然推断方法不可行。
• 结果表明，克罗内克积LEAR模型是建模纵向影像研究中复杂相关结构的一种可行且灵活的替代方案。