Linear mixed modeling is a well-established technique widely employed when observations possess a grouping structure. Nonetheless, this standard methodology is no longer applicable when the learning framework encompasses a multivariate response and high-dimensional predictors. To overcome these issues, in the present paper a penalized estimation procedure for multivariate linear mixed-effects models (MLMM) is introduced. In details, we propose to regularize the likelihood via a group-lasso penalty, forcing only a subset of the estimated parameters to be preserved across all components of the multivariate response. The methodology is employed to develop novel surrogate biomarkers for cardiovascular risk factors, such as lipids and blood pressure, from whole-genome DNA methylation data in a multi-center study. The described methodology performs better than current stateof- art alternatives in predicting a multivariate continuous outcome.
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.
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 / F. Ieva, A. Cappozzo, G. Fiorito - In: SIS 2022 | Book of Short Papers / [a cura di] A. Balzanella M. Bini C. Cavicchia R. Verde. - [s.l] : Pearson, 2022. - ISBN 9788891932310. - pp. 648-653 (( Intervento presentato al 5. convegno Scientific Meeting of the Italian Statistical Society tenutosi a Caserta nel 2022.
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
F. Ieva;A. Cappozzo;
2022
Abstract
Linear mixed modeling is a well-established technique widely employed when observations possess a grouping structure. Nonetheless, this standard methodology is no longer applicable when the learning framework encompasses a multivariate response and high-dimensional predictors. To overcome these issues, in the present paper a penalized estimation procedure for multivariate linear mixed-effects models (MLMM) is introduced. In details, we propose to regularize the likelihood via a group-lasso penalty, forcing only a subset of the estimated parameters to be preserved across all components of the multivariate response. The methodology is employed to develop novel surrogate biomarkers for cardiovascular risk factors, such as lipids and blood pressure, from whole-genome DNA methylation data in a multi-center study. The described methodology performs better than current stateof- art alternatives in predicting a multivariate continuous outcome.File | Dimensione | Formato | |
---|---|---|---|
CappozzoIevaFiorito_SIS_2022_v2.pdf
accesso aperto
Tipologia:
Publisher's version/PDF
Dimensione
204.14 kB
Formato
Adobe PDF
|
204.14 kB | Adobe PDF | Visualizza/Apri |
Pubblicazioni consigliate
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.