Devariation: A Robust Approach to Improve Statistical Power in High-Dimensional Multi-View Association Testing
Understanding the interplay between high-dimensional data from different views is essential in biomedical research. Existing statistical association tests for two random vectors often do not fully capture dependencies between views due to limitations in modeling within-view dependencies, particularly in high-dimensional data without structured dependency patterns, leading to a potential loss of statistical power. In this work, we propose a novel approach "devariation" to address the limitations by adopting a penalized low-rank factor model to flexibly capture within-view dependencies. Theoretical asymptotic power analysis shows that it increases statistical power, especially when within-view correlations impact signal-to-noise ratios, while maintaining robustness in scenarios without strong internal correlations. We validated devariation in extensive simulation studies and neuroimaging data from the UK Biobank, examining the associations between different neuroimaging modalities.
Dévariation : une approche robuste pour améliorer la puissance statistique dans les tests d'association multi-vues à haute dimension
Comprendre l'interaction entre les données à haute dimension provenant de différentes vues est essentiel dans la recherche biomédicale. Les tests d'association statistique existants pour deux vecteurs aléatoires ne permettent souvent pas de saisir pleinement les dépendances entre les vues en raison des limites de la modélisation des dépendances intra-vues, en particulier dans les données à haute dimension sans schémas de dépendance structurés, ce qui entraîne une perte potentielle de puissance statistique. Dans ce travail, nous proposons une nouvelle approche, la "dévariation", pour remédier à ces limitations en adoptant un modèle factoriel pénalisé de faible rang pour capturer de manière flexible les dépendances intra-vues. L'analyse théorique de la puissance asymptotique montre que cette approche augmente la puissance statistique, en particulier lorsque les corrélations intra-vues ont un impact sur les rapports signal-bruit, tout en maintenant la robustesse dans les scénarios sans fortes corrélations internes. Nous avons validé la dévariation dans des études de simulation approfondies et sur des données de neuro-imagerie provenant de la UK Biobank, en examinant les associations entre différentes modalités de neuro-imagerie.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais