Asymptotically Normal and Efficient Estimation of Covariate-Adjusted Gaussian Graphical Model
协变量调整高斯图模型的渐近正态与有效估计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：摘要讨论高斯图估计和基因关联，未涉及所列经济网络或干扰效应问题。
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…
协变量调整高斯图模型的渐近正态与有效估计
- 研究问题
- 如何在调整协变量之后估计高斯图模型的连接关系，并为边构造置信区间、恢复图的支持集，同时保持计算可行？
- 方法与思路
- 作者提出无需调参的估计程序，通过子图或边的并行估计实施计算，再利用渐近正态性进行逐边自适应阈值筛选。
- 材料陈述的贡献
- 摘要称有限子图上的估计渐近正态且有效，提出 ANTAC 支持恢复程序，并报告模拟与基因交互应用中的比较优势。
- 阅读关注点
- 阅读时应核对协变量调整方式、渐近有效性的条件、逐边区间与整体支持恢复的区别，以及阈值规则和比较评价标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；维度增长、模型条件和误差控制细节未说明，所述比较优势不能视为普遍结论或刊本核验结果。
原文摘要
A tuning-free procedure is proposed to estimate the covariate-adjusted Gaussian graphical model. For each finite subgraph, this estimator is asymptotically normal and efficient. As a consequence, a confidence interval can be obtained for each edge. The procedure enjoys easy implementation and efficient computation through parallel estimation on subgraphs or edges. We further apply the asymptotic normality result to perform support recovery through edge-wise adaptive thresholding. This support recovery procedure is called ANTAC, standing for Asymptotically Normal estimation with Thresholding after Adjusting Covariates. ANTAC outperforms other methodologies in the literature in a range of simulation studies. We apply ANTAC to identify gene-gene interactions using an eQTL dataset. Our result achieves better interpretability and accuracy in comparison with CAMPE.