联合估计未复制矩阵变量的均值和协方差
摘要：分析未复制的高维数据具有未知均值和依赖结构，这是一个具有挑战性的问题。矩阵变量方法可以估计灵活的依赖结构，但是当均值和协方差矩阵同时估计时，不能直接应用。我们提出了一种实用的方法，利用广义最小二乘和惩罚(inverse)协方差估计来解决这个问题。我们建立了一致性和收敛速率，用于估计均值参数和协方差矩阵。我们方法的优点是：(i) 在未知均值结构的情况下可以估计依赖图和协方差结构，(ii) 在考虑到观测之间的依赖结构时，均值结构可以更有效地估计；(iii) 关于均值参数的推断可以正确校准。我们使用模拟研究和溃疡性结肠炎双胞胎研究的基因组数据来说明我们方法在实际环境中的统计收敛性和性能。多条证据表明，我们方法产生的差异基因表达的检验统计量被正确校准，并且比常规方法更具有提高功效的能力。
作者：Michael Hornstein, Roger Fan, Kerby Shedden, and Shuheng Zhou
论文ID：1611.04208
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-06-08