Likelihood Ratio Tests for Poisson Graph with Directed Acyclicity Constraints
As a powerful tool to describe causal relationships between random variables, a directed acyclic graph (DAG) model has been increasingly popular in statistical learning, widely used in interdisciplinary studies including neuroinformatics and bioinformatics. However, most existing studies on DAG focus on inference for continuous variables such as Gaussian on directional relationships, while very limited attention has been given to discrete ones. In this talk, we address statistical inference to count data in the context of a DAG, including tests for directed linkages and pathways. Likelihood-ratio-based test statistics are developed subject to directed and non-convex acyclicity constraints, and asymptotic distributions are derived. Simulation studies demonstrate that the proposed tests will effectively achieve inferential objectives with statistical power guarantees. Further, the proposed test is examined through real data analysis, supporting its capability to infer directed pathways.
Tests du rapport de vraisemblance pour les graphes de Poisson avec contraintes d'acyclicité dirigée
En tant qu'outil puissant pour décrire les relations causales entre des variables aléatoires, le modèle de graphe acyclique dirigé (DAG) est de plus en plus populaire dans l'apprentissage statistique et largement utilisé dans des études interdisciplinaires, notamment en neuro-informatique et en bio-informatique. Cependant, la plupart des études existantes sur les DAG se concentrent sur l'inférence pour des variables continues telles que les variables gaussiennes sur les relations directionnelles, tandis que très peu d'attention a été accordée aux variables discrètes. Dans cette présentation, nous abordons l'inférence statistique pour compter les données dans le contexte d'un DAG, y compris les tests pour les liens et les voies dirigés. Des statistiques de test basées sur le rapport de vraisemblance sont développées sous réserve de contraintes d'acyclicité dirigées et non convexes, et des distributions asymptotiques sont dérivées. Des études en simulation démontrent que les tests proposés permettront d'atteindre efficacement les objectifs d'inférence avec des garanties de puissance statistique. En outre, le test proposé est examiné à travers l'analyse de données réelles, ce qui confirme sa capacité à inférer des voies dirigées.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English