Mixed-effects high-dimensional multivariate regression via group-lasso regularization = Regressione multivariata con effetti misti per dati ad alta dimensionalit`a: un approccio con regolarizzazione di tipo group-lasso

Francesca Ieva, Andrea Cappozzo, Giovanni Fiorito

Risultato della ricerca: Contributo in libroContributo a convegno

Abstract

[Ita:]I modelli ad effetti misti sono ampiamente utilizzati nell’analisi di dati che possiedono una struttura a gruppi. Tuttavia, tale metodologia non `e appli- cabile in contesti dove la variabile risposta `e multidimensionale ed il numero di regressori elevato. Nel proporre una soluzione ai sopracitati problemi, nel pre- sente lavoro viene introdotta una procedura di stima penalizzata per modelli ad effetti misti con risposta multivariata. In dettaglio, si propone di regolarizzare la verosimiglianza tramite una penalit`a di tipo group-lasso, forzando solo un sottoin- sieme dei parametri stimati ad essere diverso da 0 per ogni componente della vari- abile risposta. La metodologia proposta viene poi utilizzata per creare nuovi sur- rogati per fattori di rischio cardiovascolare, come lipidi e pressione sanguigna, dai dati di metilazione del DNA dell’intero genoma in uno studio multicentrico. L’analisi cos`ı condotta dimostra risultati migliori rispetto alle attuali alternative nella previsione di un outcome continuo multivariato.
Lingua originaleEnglish
Titolo della pubblicazione ospiteSIS 2022 | Book of Short Papers
Pagine648-653
Numero di pagine6
Stato di pubblicazionePubblicato - 2022
EventoScientific Meeting of the Italian Statistical Society - Caserta
Durata: 23 giu 202025 giu 2020

Convegno

ConvegnoScientific Meeting of the Italian Statistical Society
CittàCaserta
Periodo23/6/2025/6/20

Keywords

  • Mixed-effects models
  • penalized estimation
  • group-lasso penalty
  • Multivariate regression

Fingerprint

Entra nei temi di ricerca di 'Mixed-effects high-dimensional multivariate regression via group-lasso regularization = Regressione multivariata con effetti misti per dati ad alta dimensionalit`a: un approccio con regolarizzazione di tipo group-lasso'. Insieme formano una fingerprint unica.

Cita questo