Partial Correlation Estimation by Joint Sparse Regression Models
利用联合稀疏回归模型估计偏相关AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究高维偏相关及基因关联结构，未明确涉及经济网络干扰或所列其他细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用联合稀疏回归模型估计偏相关
- 研究问题
- 在变量多而样本少的情形下，如何有效选择非零偏相关并识别枢纽变量，同时建立模型选择与参数估计的一致性依据？
- 方法与思路
- 作者提出 space 方法，假设偏相关矩阵整体稀疏，以稀疏回归拟合模型，并通过模拟、乳腺癌微阵列数据和渐近分析评估方法。
- 材料陈述的贡献
- 摘要称，space 在非零偏相关选择和枢纽识别中表现良好，模拟中优于两个已有方法，并在适当假设下具有选择与估计一致性。
- 阅读关注点
- 阅读时应核对稀疏性及一致性条件、联合回归的约束和计算实现、比较方法的调参方式，以及枢纽基因结果的生物解释。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未列出一致性假设或比较数值，偏相关与枢纽识别不能直接确定基因调控的因果方向。
原文摘要
In this paper, we propose a computationally efficient approach -space(Sparse PArtial Correlation Estimation)- for selecting non-zero partial correlations under the high-dimension-low-sample-size setting. This method assumes the overall sparsity of the partial correlation matrix and employs sparse regression techniques for model fitting. We illustrate the performance of space by extensive simulation studies. It is shown that space performs well in both non-zero partial correlation selection and the identification of hub variables, and also outperforms two existing methods. We then apply space to a microarray breast cancer data set and identify a set of hub genes which may provide important insights on genetic regulatory networks. Finally, we prove that, under a set of suitable assumptions, the proposed procedure is asymptotically consistent in terms of model selection and parameter estimation.