高维线性混合效应模型的$\ell_1$ -惩罚估计

基于 $\ell_1$ 惩罚的凸聚类后的选择性推断

Selective inference after convex clustering with $\ell_1$ penalization

本文针对带 $\ell_1$ 惩罚的凸聚类提出基于多面体条件高斯向量的选择性推断方法，给出一维及多维情形下具有统计保证的检验程序，并实现于 R 包 poclin。

线性混合效应模型的非凹惩罚与固定效应的正则化选择

Non-Concave Penalization in Linear Mixed-Effects Models and Regularized Selection of Fixed Effects

混合效应模型在分析具有分层结构的数据时非常流行，例如纵向设计中受试者的重复观察，多中心设计中嵌套在中心内的患者。然而，最近，由于医学的进步，从每个患者收集的固定效应协变量的数量可能相当大，例如每个患者的基因表达数据，并且所有这些变量对于结果不一定重要。因此，正确选择相关协变量对于获得整个研究的最优推断是非常重要的。另一方面，相关的随机效应通常是低维的，并且是预先指定的。本文考虑线性混合效应模型中重要固定效应变量的正则化选择以及基于一般非凹罚的固定效应和随机效应参数的极大惩罚似然估计。对于低维情形和高维非多项式阶的样本量（参数个数远大于样本量）情形，证明了渐近和变量选择与Oracle性质的一致性.我们还提供了一个合适的计算效率的算法实现。此外，所有的理论结果证明了一个一般的非凸优化问题，适用于几个重要的情况远远超出了混合模型设置（如有限混合回归等）。这说明了我们的建议的广泛适用性。

基于$\ell_1$融合惩罚的凸聚类

Convex clustering via $\ell_1$ fusion penalization

我们研究了凸聚类框架的大样本行为，该框架在聚类中心上的~ $\ell_1$融合约束下最小化聚类平方和内的样本。这种最近提出的方法已经越来越受欢迎，然而，它的渐近性质仍然是未知的。我们的分析是基于一种新的表示的样本聚类过程作为一个序列的集群分裂确定的一系列最大化问题。我们使用这种表示提供了一个简单而直观的制定人口聚类过程。然后，我们证明了抽样程序一致地估计其人口模拟，并得出相应的收敛速度。证明进行了仔细的同时分析的M-估计问题，其基数一起增长的样本量的集合。基于从渐近研究中获得的新观点，我们提出了一个关键的后处理修改的原始聚类框架。我们表明，无论是理论上和经验上，所得到的方法可以成功地用于估计人口中的集群的数量。使用模拟数据，我们比较了所提出的方法与现有的集群数量和模态评估方法，并获得了令人鼓舞的结果。我们还证明了我们的聚类方法在单细胞病毒学研究中检测细胞亚群的适用性。

基于谱系的GWAS关联映射惩罚多性状混合模型

A Penalized Multi-trait Mixed Model for Association Mapping in Pedigree-based GWAS

在全基因组关联研究（GWAS）中，惩罚效应是识别与性状相关的遗传标记的重要方法，而混合模型在解释样本间复杂的依赖结构方面取得了成功。因此，惩罚线性混合模型是一种结合惩罚方法和线性混合模型优点的工具。在这项研究中，GWAS与多个高度相关的性状进行了分析。对于多个数量性状高度相关的GWAS，使用性状进行分析不可避免地丢失了多个性状之间的一些重要信息。我们提出了一个惩罚MTMM，惩罚多变量线性混合模型，允许两个性状内和性状间方差分量同时为多个性状。提出的惩罚MTMM使用AI-REML方法估计方差分量，并同时使用组MCP和稀疏组MCP进行变量选择和点估计。使用最佳线性无偏预测器（BLUP）来寻找预测值，并使用预测值与其相应观测值之间的Pearson相关性来评估预测性能。通过仿真研究，评估了该方法的预测和选择性能，并与单性状惩罚LMM进行了比较。我们将所提出的方法应用于遗传分析研讨会（GAW）18的GWAS数据。

Scalable Algorithms for Large Competing Risks Data

This paper develops two orthogonal contributions to scalable sparse regression for competing risks time-to-event data. First, we study and accelerate the broken adaptive ridge method (BAR), an $\ell_0$-based iteratively reweighted $\ell_2$-penalization algorithm that achieves sparsity in its limit, in the context of the Fine-Gray (1999) proportional subdistributional hazards (PSH) model. In particular, we derive a new algorithm for BAR regression, named cycBAR, that performs cyclic update of each coordinate using an explicit thresholding formula. The new cycBAR algorithm effectively avoids fit…

高维 Beta 回归模型的 Lasso 惩罚：计算、分析与推断

Lasso Penalization for High-Dimensional Beta Regression Models: Computation, Analysis, and Inference

本文研究高维 Beta 回归中的 LASSO 惩罚估计，通过平稳点分析框架建立 ℓ1 误差非渐近界，提出去偏置信区间与近端梯度算法，并用模拟和监禁比例数据验证。