我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
图形和网络是描述生物信息的常用方法。在生物学中,许多不同的生物过程都用图形表示,例如调节网络、代谢途径和蛋白质-蛋白质相互作用网络。这种对图形的先验使用是对标准数值数据(如微阵列基因表达数据)的有益补充。本文考虑当协变量在图上链接时的回归分析和变量选择问题。我们研究了图约束正则化过程及其回归分析的理论性质,以考虑图上测量的变量的邻域信息。此过程涉及系数的平滑度惩罚,该系数定义为与图形相关的拉普拉斯矩阵的二次形式。我们建立了估计和模型选择的一致性结果,并为回归模型中参数的固定数和发散数提供了估计界。我们通过仿真和实际数据集证明,与忽略与协变量相关的图形信息的现有方法相比,该方法可以更好地选择和预测变量。
李彩燕。 李洪哲。 “图形结构协变量的变量选择和回归分析及其在基因组学中的应用。” 附录申请。斯达。 4 (3) 1498 - 1516, 2010年9月。 https://doi.org/10.1214/10-AOAS332