广义线性混合模型
以下推导基于广义线性混合模型(GLMMs),当链接函数为logit且分散参数固定为1时,logistic混合模型是GLMMs的特例。在单变量测试的背景下,我们考虑以下GLMM
哪里X(X)我是1×第页主题协变量的行向量我,α是一个第页×1固定协变量效应的列向量,包括截距,G公司我是受试者感兴趣的遗传变异的基因型我、和β是固定的基因型效应。我们假设是一个n个×1随机效应列向量,τk个是方差分量参数,τ是一个K(K)×1列向量τk个、和V(V)k个已知的n个×n个矩阵。我们还假设,给定随机效应b条,结果年我与平均值有条件独立E类(年我|b条) = μ我和方差,其中ϕ是分散参数(对于二进制和泊松数据ϕ= 1),一我是已知重量,以及v(v)(‧)是方差函数。线性预测器η我是条件平均值的单调函数μ我通过链接功能η我= 克(μ我). 对于二进制特征年我,μ我= π我= P(P)(年我= 1|X(X)我, G公司我, b条我)是受试者二元结果(如疾病状态)的概率我.
对于主题我,给定随机效应的拟似然b条是
对数积分拟似然函数(α, β, ϕ, τ)是
让
我们可以使用拉普拉斯方法来近似n个-量纲积分
因此方程式A1变为
哪里
是的解决方案(f)′(b条) = 0.
的一阶偏导数q个我我(α, β; b条)关于b条是
哪里Z轴我是1×n个指标向量,以便b条我= Z轴我b条,,二阶导数为
对于规范链接函数,v(v)(μ我)克′(μ我)=1,后两项变为0。让
然后是方程式A2类成为
我们假设权重矩阵W公司相对于条件平均值变化缓慢(继布雷斯洛和克莱顿之后22),这是
然后我们求方程的导数A3号:
在零假设下H(H)0:β=0,如果ϕ和τ众所周知,我们共同选择和最大化方程式A3号,然后因为最大化(f)(b条)对于给定的(α, β). 定义工作向量包含元素,解决方案
可以写为系统的解决方案让,P(P)= Σ−1 − ∑−1X(X)(X(X)T型Σ−1X(X))−1X(X)T型Σ−1,然后
是使方程最大化的解A3号。我们注意到
方差分量参数的估计
继布雷斯洛和克莱顿之后,22我们忽视了W公司在τ并使用Pearson chi-square统计来近似偏差
然后是方程式A3号最大值变为
类似地,限制最大似然(REML)版本为
让,然后和的一阶导数关于ϕ和τ是
我们定义平均信息6,23矩阵人工智能包含以下条目
让θ是要估计的方差分量参数,当ϕ ≠ 1,θ= (ϕ, τ)、和人工智能是一个(K(K)+ 1)×(K(K)+1)矩阵。对于二进制和泊松数据,ϕ= 1,θ=========================================================τ、和人工智能是一个K(K)×K(K)矩阵仅包含A类我τk个τ我.
我们使用以下算法拟合空GLMM:
1
用拟合广义线性模型τ=0并获得和工作矢量;
2
使用(如果ϕ=1)或(如果ϕ≠1)作为的初始值θ;
三。
对于每个,更新θ使用;
4
使用作为和更新θ(2)= θ(1)+ {A类我(1)}−1(∂q个我R(右)(θ(1))/∂θ);
5
计算和使用和θ(2);
6
更新使用和;
7
重复步骤4-6,直到公差。
分数测试
一次是在零假设下估计的H(H)0:β=0,分数测试可以通过评估方程来构建A4(A4)在,即
其在零假设下的方差为
最后一个等式成立是因为.