Estimating and Accounting for Unobserved Covariates in High-Dimensional Correlated Data
高维相关数据中未观测协变量的估计与调整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：摘要研究生物高维数据中的潜在因子调整，未明确涉及宏观或金融因子模型及因果效应识别。
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
高维相关数据中未观测协变量的估计与调整
- 研究问题
- 高维生物数据的样本相关性和未知技术、生物因素干扰目标效应时，如何选择潜在因子数量并估计这些未观测因素？
- 方法与思路
- 作者提出 CBCV 与 CorrConf，用于在残差相关或不可交换的高维数据中选择潜在混杂因子数量并估计因子。
- 材料陈述的贡献
- 摘要称方法具有可证明的准确性与计算效率，并在多组织表达模拟及纵向双生子甲基化研究中报告比较优势。
- 阅读关注点
- 应核对残差相关结构的建模、因子数选择与因子估计各自的保证，以及调整后目标效应推断所需的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读；摘要未说明因子识别条件、准确性界限或因果解释所需假设。
原文摘要
Many high dimensional and high-throughput biological datasets have complex sample correlation structures, which include longitudinal and multiple tissue data, as well as data with multiple treatment conditions or related individuals. These data, as well as nearly all high-throughput 'omic' data, are influenced by technical and biological factors unknown to the researcher, which, if unaccounted for, can severely obfuscate estimation of and inference on the effects of interest. We therefore developed CBCV and CorrConf: provably accurate and computationally efficient methods to choose the number of and estimate latent confounding factors present in high dimensional data with correlated or nonexchangeable residuals. We demonstrate each method's superior performance compared to other state of the art methods by analyzing simulated multi-tissue gene expression data and identifying sex-associated DNA methylation sites in a real, longitudinal twin study.