×
张红梅;黄显正;哈桑·阿尔沙德

比较相关无向高斯网络。 （英语） Zbl 07810219号

贝叶斯分析。 18，第4期，1341-1366（2023）.
摘要：提出了一种贝叶斯方法，该方法将两个纵向无向高斯网络的构造和比较统一在两个时间点收集的数据的分化状态（相同或不同）上。利用建模重复测度的概念，我们构造了网络的联合似然。导出了网络微分的条件后验概率质量函数，并对其渐近命题进行了理论评估。提出了一种基于潜在数据而非显性数据的替代方法，以显著降低计算负担。通过仿真对这两种方法进行了演示和比较，并与现有方法进行了比较。基于不同年龄段收集的表观遗传学数据，证明了所提方法检测依赖网络分化的能力。尽管依赖潜在数据的方法效率较低，但我们的理论评估、模拟和实际数据应用支持所提方法的有效性。

MSC公司：

62至XX 统计

关键词：

贝叶斯方法;高效贝叶斯抽样;高斯网络测试;潜在数据可能性;惩罚条件后验概率

软件：

玻璃制品;HD测试;HdBCS公司;DNA
PDF格式BibTeX公司 XML格式引用
\textit{H.Zhang}等人，贝叶斯分析。18，编号4，1341---1366（2023；Zbl 07810219）
全文： 内政部 链接

参考文献：

[1] Arshad，S.H.、Holloway，J.W.、Karmaus，W.、Zhang，H.、Ewart，S.、Mansfield，L.、Matthews，S.，Hodgekiss，C.、Roberts，G.和Kurukularatchy，R.（2018年）。“队列简介：怀特岛全人口出生队列（IOWBC）”，《国际流行病学杂志》，47:1043-1044。
[2] Bashir，A.、Carvalho，C.M.、Hahn，P.R.、Jones，M.B.等人（2019）。“对精度矩阵进行后处理，以产生稀疏图估计。”贝叶斯分析，14（4）：1075-1090。数字对象标识符：10.1214/18-BA1139谷歌学者：查找链接数学科学网：MR4044846·Zbl 1435.62103号 ·doi:10.1214/18-BA1139
[3] Bojesen，S.E.、Timpson，N.、Relton，C.、Smith，G.D.和Nordestgaard，B.G.（2017）。“AHRR（cg05575921）低甲基化标志着吸烟行为、发病率和死亡率。”胸部, 72(7): 646-653.
[4] Cai，T.、Liu，W.和Xia，Y.（2013）。“双样本协方差矩阵测试和支持高维稀疏环境下的恢复”，《美国统计协会杂志》，108（501）：265-277。数字对象标识符：10.1080/01621459.2012.758041谷歌学者：查找链接MathSciNet:MR3174618·Zbl 06158341号 ·doi:10.1080/01621459.2012.758041
[5] Chang，J.、Zhou，W.、Zhow，W.-X.和Wang，L.（2017）。“在弱条件下比较依赖结构的大协方差矩阵及其在基因聚类中的应用。”生物识别, 73(1): 31-41. 数字对象标识符：10.1111/biom.12552谷歌学者：查找链接数学科学网：MR3632349·Zbl 1366.62206号 ·doi:10.1111/biom.12552
[6] Fan，J.、Feng，Y.和Wu，Y.（2009）。“通过自适应LASSO和SCAD惩罚进行网络探索”，《应用统计年鉴》，3（2）：521。数字对象标识符：10.1214/08-AOAS215谷歌学者：查找链接数学科学网：MR2750671·Zbl 1166.62040号 ·doi:10.1214/08-AOAS215
[7] Friedman，J.、Hastie，T.和Tibshirani，R.（2008）。“用图形套索进行稀疏逆协方差估计。”生物统计学, 9(3): 432-441. 数字对象标识符：10.1093/biostatistics/kxm045谷歌学者：查找链接zbMATH:1143.62076·Zbl 1143.62076号 ·doi:10.1093/biostatistics/kxm045
[8] George，E.I.和McCulloch，R.E.（1993年）。“通过吉布斯抽样进行变量选择”，《美国统计协会期刊》，88:881-889。
[9] Gill，R.、Datta，S.、Datt，S.（2010年）。“微阵列数据差异网络分析的统计框架”。BMC生物信息学，11（1）：1。
[10] He，H.，Cao，S.，Zhang，J.-g，Shen，H.、Wang，Y.-P.和Deng，H.-w.（2019年）。“基于高斯图形模型推断的差分网络分析的统计测试”，《科学报告》，9（1）：1-8。
[11] Hotta，K.，Kitamoto，A.，Kitamo，T.，Ogawa，Y.，Honda，Y.Kessoku，T.、Yoneda，M.、Imajo，K.、Tomeno，W.、Saito，S.等（2018年）。《鉴别与非酒精性脂肪性肝病进展相关的差异甲基化区域（DMR）网络》，《科学报告》，8（1）：1-11。
[12] Ishwaran，H.和Rao，J.S.（2005年）。“尖峰和板状变量选择：频率论和贝叶斯策略”，《统计学年鉴》，33:730--773。数字对象标识符：10.1214/009053604000001147谷歌学者：查找链接zbMATH:1068.62079 Euclid:Euclid.aos/1117114335 MathSciNet:MR2163158·Zbl 1068.62079号 ·doi:10.1214/009053604000001147
[13] Jacob，L.、Neuvial，P.和Dudoit，S.（2012年）。《应用统计学年鉴》，561-600。数字对象标识符：10.1214/11-AOAS528谷歌学者：查找链接数学科学网：MR2976483·Zbl 1243.62080号 ·doi:10.1214/11-AOAS528
[14] Jones，B.、Carvalho，C.、Dobra，A.、Hans，C.、Carter，C.和West，M.（2005年）。“高维图形模型的随机计算实验”，《统计科学》，388-400。数字对象标识符：10.1214/088342305000000304谷歌学者：查找链接MathSciNet:MR2210226 zbMATH:1130.62408 Euclid:Euclid.ss/1137076659·Zbl 1130.62408号 ·doi:10.1214/088342305000000304
[15] Joubert，B.R.，Felix，J.F.，Yousefi，P.，Bakulski，K.M.，Just，A.C.，Breton，C.，Reese，S.E.，Markunas，C.A.，Richmond，R.C.，Xu，C.-J.等人（2016）。“新生儿的DNA甲基化和母亲在怀孕期间吸烟：全基因组联合荟萃分析”，《美国人类遗传学杂志》，98（4）：680-696。
[16] Li，F.-q.和Zhang，X.-s.（2017）。“高斯图形模型的贝叶斯拉索邻域回归法”，《数学应用学报》，英文丛书，33（2）：485-496。数字对象标识符：10.1007/s10255-017-0676-z谷歌学者：查找链接数学科学网：MR3647001·Zbl 1368.62065号 ·doi:10.1007/s10255-017-0676-z
[17] Li，H.和Gui，J.（2006）。稀疏高斯浓度图的梯度定向正则化及其在遗传网络推理中的应用生物统计学, 7(2): 302-317. ·Zbl 1169.62378号
[18] Mazumder，R.和Hastie，T.（2012年）。“图形套索：新的见解和选择”，《电子统计杂志》，6:2125。数字对象标识符：10.1214/12-EJS740谷歌学者：查找链接数学科学网：MR3020259·Zbl 1295.62066号 ·doi:10.1214/12-EJS740
[19] Mitchell，T.J.和Beauchamp，J.J.（1988）。“线性回归中的贝叶斯变量选择”，《美国统计协会杂志》，83:1023-1032。数字对象标识符：10.1080/01621459.1988.10478694谷歌学者：查找链接数学科学网：MR997578 zbMATH:0673.62051·兹比尔0673.62051 ·doi:10.1080/01621459.1988.10478694
[20] Ni，Y.、Baladadayuthapani，V.、Vannucci，M.和Stingo，F.C.（2021）。现代生物应用的贝叶斯图形模型〉，《统计方法与应用》，1-29页。数字对象标识符：10.1007/s10260-021-00572-8谷歌学者：查找链接数学科学网：MR4426829·Zbl 1515.62112号 ·doi:10.1007/s10260-021-00572-8
[21] Shaddox，E.、Peterson，C.B.、Stingo，F.C.、Hanania，N.A.、Cruickshank-Quinn，C.、Kechris，K.、Bowler，R.和Vannucci，M.（2020年）。“跨多个样本组和数据类型的网络贝叶斯推断。”生物统计学, 21(3): 561-576. 数字对象标识符：10.1093/biostatistics/kxy078谷歌学者：查找链接MathSciNet:MR4120340·doi:10.1093/biostatistics/kxy078
[22] Städler，N.、Dondelinger，F.、Hill，S.M.、Akbani，R.、Lu，Y.、Mills，G.B.和Mukherjee，S.（2017年）。“网络层面的分子异质性：高维测试、聚类和TCGA案例研究。”生物信息学, 33(18): 2890-2896.
[23] Stäedler，N.和Dondelinger，F.（2020年）。nethet：用于高维探索生物网络异质性的生物导体软件包。R包版本1.20.1。
[24] Wang，H.等人（2015）。“扩大规模：图形模型中的随机搜索结构学习”，《贝叶斯分析》，10（2）：351-377。数字对象标识符：10.1214/14-BA916谷歌学者：查找链接数学科学网：MR3420886·Zbl 1335.62068号 ·doi:10.1214/14-BA916
[25] Wasserman，L.和Roeder，K.（2009年）。“高维变量选择”，《统计年鉴》，37（5A）：2178。数字对象标识符：10.1214/08-AOS646谷歌学者：查找链接数学科学网：MR2543689·Zbl 1173.62054号 ·doi:10.1214/08-AOS646
[26] Xia，Y.，Cai，T.和Cai，T-T.（2015）。“测试差分网络，并应用于检测基因-基因相互作用。”生物特征，asu074。数字对象标识符：10.1093/biomet/asu074谷歌学者：查找链接MathSciNet:MR3371002·兹比尔1452.62392 ·doi:10.1093/biomet/asu074
[27] Xie，Y.，Liu，Y.和Valdar，W.（2016）。“多相依高斯图形模型的联合估计及其在小鼠基因组学中的应用。”生物特征, 103(3): 493-511. 数字对象标识符：10.1093/biomet/asw035谷歌学者：查找链接数学科学网：MR3551780·Zbl 1506.62323号 ·doi:10.1093/biomet/asw035
[28] Zhang，H.、Huang，X.、Han，S.、Rezwan，F.I.、Karmaus，W.、Arshad，H.和Holloway，J.W.（2021）。“图序未知的高斯贝叶斯网络比较”，《计算统计与数据分析》，157:107156。数字对象标识符：10.1016/j.csda.2020.107156谷歌学者：查找链接数学科学网：MR4196481·Zbl 1510.62084号 ·doi:10.1016/j.csda.2020.107156
[29] Zhang，H.、Huang，X.和Arshad，H.（2022）。“关于“比较相关无向高斯网络”的补充材料。”贝叶斯分析。数字对象标识符：10.1214/22-BA1337SUPP谷歌学者：查找链接·doi:10.1214/22-BA1337SUPP文件
[30] Zhao，S.D.、Cai，T.T.和Li，H.（2014）。“差分网络的直接估计。”生物特征, 101(2): 253-268. 数字对象标识符：10.1093/biomet/asu009谷歌学者：查找链接MathSciNet:MR3215346 zbMATH:063229730·Zbl 1452.62865号 ·doi:10.1093/biomet/asu009
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。