High-dimensional log-error-in-variable regression with applications to microbial compositional data analysis
高维对数变量测量误差回归及其在微生物组成数据分析中的应用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。
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：摘要聚焦微生物组成数据的测量误差回归，未明确涉及所列经济计量细分领域。
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
高维对数变量测量误差回归及其在微生物组成数据分析中的应用
- 研究问题
- 在微生物组成数据回归中，如何同时处理测序深度差异、零读数和协变量随机性，以估计与临床表型的关联？
- 方法与思路
- 作者提出高维对数变量测量误差模型，据此校正可能存在过度离散的测序数据，并避免对零读数进行主观插补。
- 材料陈述的贡献
- 摘要称，方法具有可解释性与计算效率，并给出估计误差相匹配的上下界，以模拟和真实数据分析展示其表现。
- 阅读关注点
- 阅读时应核对测量误差与计数生成机制、过度离散的处理范围、零读数校正方式，以及误差上下界的适用条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断误差分布、稀疏性条件和实际改进幅度；所述关联不能直接解释为因果效应。
原文摘要
Summary In microbiome and genomic studies, the regression of compositional data has been a crucial tool for identifying microbial taxa or genes that are associated with clinical phenotypes. To account for the variation in sequencing depth, the classic log-contrast model is often used where read counts are normalized into compositions. However, zero read counts and the randomness in covariates remain critical issues. We introduce a surprisingly simple, interpretable and efficient method for the estimation of compositional data regression through the lens of a novel high-dimensional log-error-in-variable regression model. The proposed method provides corrections on sequencing data with possible overdispersion and simultaneously avoids any subjective imputation of zero read counts. We provide theoretical justifications with matching upper and lower bounds for the estimation error. The merit of the procedure is illustrated through real data analysis and simulation studies.