高维中介数据【R语言中介分析】：应用确定独立筛选SIS，极小极大凹惩罚技术，dblasso

探路者Myra

已于 2024-03-04 20:28:16 修改

阅读量1.6k

点赞数 32

分类专栏：大数据数据分析：R语言文章标签： r语言 HIMA包中介分析中介效应大数据中介数据多中介

于 2024-02-20 12:30:22 首次发布

本文链接：https://blog.csdn.net/weixin_52505631/article/details/136185508

版权

大数据数据分析：R语言专栏收录该内容

10 篇文章 3 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

该博客介绍了如何利用R语言的HIMA包和dblasso方法进行高维中介效应的估计和测试。通过纠偏LASSO和极小极大凹惩罚技术，结合蒙特卡洛模拟研究，展示在高维DNA甲基化等中介数据中的应用，以揭示环境暴露与健康结果之间的关系。

摘要由CSDN通过智能技术生成

允许基于高级中介筛选和惩罚回归技术来估计和测试高维中介效应

高维中介示意图

图1. 在暴露和结果之间有高维中介的情况

实现方法

Hima包浏览

本包的作用

在确定独立筛选和极小极大凹惩罚技术的基础上，采用联合显著性检验方法对调解效果进行检验。使用蒙特卡罗模拟研究来展示其实际性能，鉴定具有显著中介作用的因子。

分析前准备

# install.packages("HIMA")
# ??hima
library(HIMA)
data(himaDat)

# 熟悉数据
head(himaDat$Example1$PhenoData)
#   Treatment   Outcome Sex Age
# 1         1 2

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

探路者Myra

关注关注

32
点赞
踩
23

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

高维多元中介分析：另外8种方法

三分钟热度

03-10

551

用基于似然的方法来计算中介主方向 (“principal directions of mediation” ，PDM)，它是加载权重，用于线性组合输入的中介以形成单个潜在变量，以替换分析中的原始中介。虽然 HDMM 不能用于估计全局中介效应或特定中介的贡献，但它仍然可以用于推断是否存在通过作为联合系统的中介集合发生的中介。适用于存在高维中介和一个或多个曝光时的中介设置。该函数返回直接效应、总效应和全局中介效应的估计值，最后一个效应用报告的 p 值检验统计显着性。

高维中介数据：联合显着性（JS）检验法

三分钟热度

03-04

652

中介分析在流行病学和临床试验中越来越受到关注。在现有的中介分析方法中，流行的联合显着性（JS）检验会产生过于保守的 I 类错误率，因此功效较低。但是，如果在使用 JS 测试高维中介假设时，可以准确控制族错误率 (FWER) 和错误发现率 (FDR)。分析的核心是基于估计三个分量零假设的比例并推导的相应混合分布。

1 条评论您还未登录，请先登录后发表或查看评论

高维中介数据：先介绍两种中介分析方法

三分钟热度

03-06

575

该模型假设中介-结果关联 (βm) 和暴露中介关联 (αa) 独立遵循小方差和高方差正态分布的混合，并且如果中介 Mj 同时具有 (βm)j 和 (αa) j 属于较大方差分布，与其他分布相比，它具有显着较大的中介贡献。每个中介属于两个较大方差分布的后验包含概率 (PIP)，即下述分析的out$contributions$ab_pip, 它可以被理解为每个中介变量在同时具有显著的暴露-中介关联(αa)和中介-结果关联(βm)时的概率。

中介分析笔记

CinboWang的博客

03-18

376

折叠凹惩罚法来完成张量

03-24

折叠凹惩罚法来完成张量

超高维变量筛选

m0_51327832的博客

04-17

2638

在所有统计学习工具中，回归分析是最流行的方法之一，被广泛用于响应变量y和一系列协变量x之间的关系进行建模。在文献中各种回归分析的模型和方法都在发展，从经典的线性回归到非参数回归。然而在协变量维数p很大时，大多数回归模型和方法可能会严重受损。从协变量中选择一个预测因子子集是有必要的。在现有研究中，广泛通过变量选择方法进行降维，主要分为两种方法:子集选择方法包括逐步回归(Efroymson 1960)、正向选择、向后选择等；惩罚似然方法包括LASSO，非负garrotte， SCAD，弹性网络等。

高维中介数据：基于交替方向乘子法（ADMM）的高维度单模态中介模型的参数估计（入门+实操）

三分钟热度

03-03

1077

用于高维度单模态中介模型的参数估计，采用交替方向乘子法（ADMM）进行计算。该包提供了确独立筛选（SIS）功能来提高中介效应的敏感性和特异性，并支持Lasso、弹性网络、路径Lasso和网络约束惩罚等不同正则化方法。

高维数据分析课程期末项目及代码：基于Steam游戏数据的多维度分析与建模

最新发布

12-20

内容概要：本文详细介绍了2024年秋季学期《高维数据分析》课程的期末项目要求，包括组队方式、提交形式、评分标准等。项目以Steam平台游戏数据为基础，要求学生完成三个主要任务：1）分析游戏特征与受欢迎程度的关系...

高维中介数据：基于贝叶斯推断的因果中介效应估计方法

三分钟热度

03-02

664

该博客介绍一种基于贝叶斯推断的高维因果中介效应估计方法，适用于omics研究中的大量潜在中介变量分析。在贝叶斯框架下，利用扩展了传统的因果中介分析技术，以处理高维数据。这种方法提高了全局中介分析的统计功效，并能有效地识别对路径中介效应有贡献的非零中介变量。此外，它有助于理解无活性中介变量的复合零情况结构。

基于R语言的主成分分析：模拟数据生成与可视化

10-05

本文基于R语言，演示如何创建包含20个属性和1000个样本的模拟数据集，并通过PCA对数据进行分析和可视化。我们首先使用正态分布生成属性数据，随后通过PCA找出解释数据方差的主要成分，分析其特征和贡献度。主成分...

library(deSolve).R.zip_R语言SIS_SIS传染病_SIS模型代码_deSolve_传染病 R

07-15

传染病sis模型代码，用于求解常微分方程模型，带有人口结构

R语言SIR代码

09-03

关于传染病模型的r语言代码，有需要的同志们分享一下

sis程序包最新中文版

09-27

SIS的应用文章

02-22

sure independence screening 的应用

【图像去躁】基于广义极小极大凹（GMC）罚函数实现图像去噪附matlab代码

m0_60703264的博客

03-17

989

图像去噪是一项重要的图像处理任务，旨在从图像中去除噪声，同时保留图像的细节和结构。本文提出了一种基于广义极小极大凹（GMC）罚函数的图像去噪方法。GMC 罚函数具有良好的鲁棒性和边缘保持特性，使其非常适合图像去噪任务。实验结果表明，该方法在去噪性能和边缘保持方面都取得了出色的效果。

R语言#SI和SIS模型

qq_37610365的博客

08-09

274

param <- param.dcm(inf.prob = 0.2,act.rate = 0.25)#疫情参数通过PARAM传递到模型中，并根据需要添加其他参数。control <- control.dcm(type ="SI", nsteps = 500)#通过控件传递到模型中的控件设置，并根据需要添加其他控件。#inf.prob：易感人群和在感染者之间的每次传播行为的感染概率。#rec.rate免疫的平均恢复率(在SIR模型中)或再易感性(在SIS模型中)。#s.num 初始易感染数。

R语言学习_数据降维

weixin_42030577的博客

04-04

2061

一些变量筛选方法——4、模拟实验

Kanny

05-19

9066

本系列博客聚焦于变量筛选的方法，所以前文中提及PCR与PLSR由于只能使数据进行降维，而不能进行变量选择，所以下面的模拟不使用这两种方法。模拟实验为了比较算法的优劣，我们构造了下列模拟（前两个是线性情况，后三个是非线性情况），其中部分参考现有文献中的构造，包含了线性和非线性的情况： 1)&amp;amp;nbsp;&amp;amp;nbsp;&amp;amp;nbsp;Y=c1β1X1+c2β2X2+c3β3I(X3&am

SIR传染病模型介绍+R语言简单应用

yxfw00的博客

09-16

4631

此文用于整理回顾写论文时看的文献资料和学到的知识，也希望能带来一些参考。什么是SIR模型？ 1927年，Kermack 和 McKendrick 为了研究17世纪肆虐伦敦的黑死病和20世纪席卷孟买的鼠疫而发展出的仓室模型（compartmental model）就是现在被广泛应用的SIR模型。其中S代表Susceptible 易感者，I 代表 Infectious 感染者，R代表Recovered/Removed 康复者/移除者。之间的关系可用下图描述，SIR的模型建立在人口不变即无出生无死亡无移民的情况