Optimal Estimation of Genetic Relatedness in High-Dimensional Linear Models
高维线性模型中遗传关联性的最优估计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：摘要聚焦遗传学中的高维线性模型泛函估计，未明确对应给定的计量领域细分。
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…
高维线性模型中遗传关联性的最优估计
- 研究问题
- 如何利用全基因组关联数据，在高维线性模型中估计两种性状的遗传协方差与相关性，并处理代入估计偏差？
- 方法与思路
- 作者以 scaled Lasso 获得初始估计，再对目标泛函进行偏差校正，同时估计回归向量的二次泛函以研究遗传力。
- 材料陈述的贡献
- 摘要称所提泛函去偏估计达到极小极大最优速率，模拟优于简单代入估计，并用于酵母多性状数据的关联分析。
- 阅读关注点
- 核对遗传关联指标与模型参数的对应关系、去偏步骤及最优速率的参数空间，并检查遗传相关归一化的适用条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；稀疏性、设计条件及最优性证明细节未说明，不能据此判断其他数据中的表现。
原文摘要
Estimating the genetic relatedness between two traits based on the genome-wide association data is an important problem in genetics research. In the framework of high-dimensional linear models, we introduce two measures of genetic relatedness and develop optimal estimators for them. One is genetic covariance, which is defined to be the inner product of the two regression vectors, and another is genetic correlation, which is a normalized inner product by their lengths. We propose functional de-biased estimators (FDEs), which consist of an initial estimation step with the plug-in scaled Lasso estimator, and a further bias correction step. We also develop estimators of the quadratic functionals of the regression vectors, which can be used to estimate the heritability of each trait. The estimators are shown to be minimax rate-optimal and can be efficiently implemented. Simulation results show that FDEs provide better estimates of the genetic relatedness than simple plug-in estimates. FDE is also applied to an analysis of a yeast segregant data set with multiple traits to estimate the genetic relatedness among these traits.