Bayesian Covariate-Varying Interaction Analysis for Multivariate Count Data: Application to Microbiome Studies
多变量计数数据的贝叶斯协变量变化交互分析：微生物组应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：虽使用因子模型，但对象是微生物计数数据，摘要未支持宏观或金融因子等给定领域细分。
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…
多变量计数数据的贝叶斯协变量变化交互分析：微生物组应用
- 研究问题
- 微生物丰度及特征间依赖随环境协变量变化时，如何同时估计均值和协方差，并处理计数数据的多种统计困难？
- 方法与思路
- 作者以低维因子载荷进行协方差回归，结合Dirichlet–Horseshoe联合稀疏先验和非参数贝叶斯框架建模均值与依赖。
- 材料陈述的贡献
- 摘要称模型共同处理离散性、过度离散、组成性及高维性，提供协变量变化协方差估计，并以模拟和微生物数据说明。
- 阅读关注点
- 应核对计数观测层与组成约束的处理、因子载荷识别、稀疏先验作用，以及协方差依赖能否支持交互关系的解释。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未给具体性能结果，协方差变化不能直接解释为微生物间因果交互。
原文摘要
Understanding covariate-varying interdependencies among features is of great interest in various applications. Motivated by microbiome studies where microbial abundances and interactions vary with environmental factors, we develop a Bayesian covariate-varying factor model. This model flexibly estimates heteroscedasticity in the covariance matrix as a function of covariates. Specifically, our approach employs covariance regression through linear regression on a lower-dimensional factor loading matrix. This formulation, combined with joint sparsity induced by the Dirichlet--Horseshoe prior for the factor loadings, provides robust estimation of covariate-varying covariance in high-dimensional settings. The model simultaneously incorporates a regression structure for the mean abundance and jointly addresses the covariate-varying mean and covariance structure. Furthermore, the model tackles key statistical challenges such as discreteness, over-dispersion, compositionality, and high dimensionality, common in microbiome data analysis, using a flexible nonparametric Bayesian framework. We thoroughly investigate the properties of the model and conduct extensive simulation studies to examine its performance. Real microbiome data examples are provided for illustration.