基于LASSO类方法的Ⅰ类错误的控制

被引：2

作者：

许树红

王慧

孙红卫

王彤

机构：

[1] 山西医科大学卫生统计教研室

来源：

中国卫生统计 | 2017年 / 34卷 / 04期

关键词：

变量选择; LASSO; FWER; FDR;

D O I：

暂无

中图分类号：

O213 [应用统计数学]; R346 [];

学科分类号：

020208 ; 070103 ; 0714 ; 1001 ;

摘要：

<正>全基因组关联研究(genome-wide association studies,GWAS)是在全基因组范围内同时研究上百万个单核苷酸多态性(single nucleotide polymorphism,SNP)位点与疾病或某些性状之间的关联,从而筛选出可能的致病SNP位点,进而对这些位点进行人群验证和实验分析。在GWAS研究中比较传统的分析方法是针对每个SNP和结局变量间关联进行单因素分析的假设检验,而待分析的SNP数量有几十万甚至上百万个,使得检验次数十分巨大,如果不采用合适的方法

引用

页码：660 / 666

页数：7

共 28 条

[1]

基于Lasso的高维数据线性回归模型统计推断方法比较.[D].赵俊琴.山西医科大学.2015, 02

[2]

两两多重比较的FDR控制.[D].刘莉.上海交通大学.2015, 04

[3]

生存分析中半参数模型的变量选择方法及其模拟研究.[D].王慧.山西医科大学.2013, 05

[4]

惩罚回归方法的研究及其在后全基因关联研究中的应用.[D].勾建伟.南京医科大学.2014, 03

[5] Empirical extensions of the lasso penalty to reduce the false discovery rate in high-dimensional Cox regression models [J].

Ternes, Nils ;

Rotolo, Federico ;

Michiels, Stefan .

STATISTICS IN MEDICINE, 2016, 35 (15) :2561-2573

[6]

High-Dimensional Statistics with a View Toward Applications in Biology.[J].Peter Bühlmann;Markus Kalisch;Lukas Meier.Annual Review of Statistics and Its Application.2014, 1

[7] Multiple hypothesis testing in genomics [J].

Goeman, Jelle J. ;

Solari, Aldo .

STATISTICS IN MEDICINE, 2014, 33 (11) :1946-1978

[8]

Tuning parameter selection in high dimensional penalized likelihood.[J].Yingying Fan;Cheng Yong Tang.J. R. Stat. Soc. B.2012, 3

[9] Estimating False Discovery Proportion Under Arbitrary Covariance Dependence [J].

Fan, Jianqing ;

Han, Xu ;

Gu, Weijie .

JOURNAL OF THE AMERICAN STATISTICAL ASSOCIATION, 2012, 107 (499) :1019-1035

[10] Consistent tuning parameter selection in high dimensional sparse linear regression [J].

Wang, Tao ;

Zhu, Lixing .

JOURNAL OF MULTIVARIATE ANALYSIS, 2011, 102 (07) :1141-1151

← 1 2 3 →