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）

本文主要是介绍高维中介数据：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），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

全文摘要

 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。该包提供了确切独立筛选（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。

Pathway Lasso

背景

传统的结构方程建模（SEM）在处理大量中介变量时变得不稳定且计算复杂。Pathway Lasso引入了一个新的惩罚函数，它是一种非凸乘积函数的凸松弛，使得同时估计和选择路径效应成为可能。通过使用交替方向乘子法（ADMM）的算法，Pathway Lasso可以以闭合形式求解参数，并且其估计器在大样本下具有渐近一致性。Pathway Lasso的新方法用于在高维中介变量的情况下估计和选择路径效应。

实现方法

Pathway Lasso是一种针对高维中介变量问题的新方法，它通过结构方程建模（SEM）的正则化途径来处理。在高维设置中，当中介变量的数量接近或大于样本量时，该方法聚焦于估计和选择路径效应。为了改善估计的稳定性，Pathway Lasso避免将高维中介变量直接降低为线性组合，这通常是通过主成分分析（PCA）或其他矩阵分解技术实现的，但这些方法限制了对每个中介路径的解释性。相反，Pathway Lasso引入了一个新的凸惩罚项，即Pathway Lasso惩罚，直接对路径效应进行正则化。这种方法解决了传统Lasso和其他凸正则化方法无法处理的乘积参数问题，因为路径效应通常表示为两个参数的乘积，这是一个非凸函数。通过Pathway Lasso惩罚，可以同时实现路径选择和路径效应估计，允许模型直接处理相关中介变量，提供更直接和简单的中介路径解释，尤其适用于分析多个大脑区域作为中介变量的情况。

Pathway Lasso的优势

在路径选择和估计准确性方面相较于其他方法具有以下优势

• 高路径选择准确性：在模拟数据和fMRI数据集上的应用表明，Pathway Lasso 提出的方法比其他方法具有更高的路径选择准确性。
• 低估计偏误：Pathway Lasso 方法在估计路径效应时表现出更低的偏差。
• 解决非凸性问题：Pathway Lasso 引入了一个新的凸惩罚，直接对乘积非凸函数进行正则化，解决了现有方法未处理的问题。
• 直接和明确的解释性：与使用线性组合（如主成分分析）的方法相比，Pathway Lasso 允许对每个中介路径进行更直接和更简单的解释。
• 处理相关中介变量：Pathway Lasso 允许直接建模相关中介变量，适合分析多个大脑区域作为中介的设置。

实现方法

随机生成单模态高维度中介分析数据

代码格式

modalityMediationDataGen(n = 100,p = 50,sigmaY = 1,sizeNonZero = c(3, 3, 4),alphaMean = c(6, 4, 2),alphaSd = 0.1,betaMean = c(6, 4, 2),betaSd = 0.1,sigmaM1 = NULL,gamma = 3,generateLaplacianMatrix = FALSE,seed = 20231201
)

 参数说明

n: 高维中介模型中的主体数量。
p: 高维中介变量的数量。
sigmaY: 因变量误差分布的标准差。
sizeNonZero: 非零中介变量的数量，生成大、中、小中介效应的模拟场景。
alphaMean, alphaSd: 中介变量与自变量之间效应的平均值和标准差向量。
betaMean, betaSd: 中介变量与因变量之间效应的平均值和标准差向量。
sigmaM1: 中介变量间误差分布的协方差矩阵，默认为对角矩阵。
gamma: 直接效应的真值。
generateLaplacianMatrix: 逻辑值，指定是否生成网络惩罚的拉普拉斯矩阵。
seed: 随机种子，默认为NULL以使用当前种子

返回结果解释

MediData: 高维中介模型的模拟数据。
MediPara: 中介效应和直接效应的真值。
Info: 输出包括随机种子、参数设置以及生成中介模型的拉普拉斯矩阵。

示例代码 

## 生成分析数据
simuData <- modalityMediationDataGen(seed = 20231201)
str(simuData)
# 输出结果如下
# List of 3
# $ MediData:List of 3
# ..$ X : num [1:100, 1] 0 0 1 0 0 0 1 0 0 1 ...
# ..$ M1: num [1:100, 1:50] 1.023 -0.369 4.812 1.476 0.188 ...
# ..$ Y : num [1:100, 1] -10.27 6.54 175.08 -1.66 17.55 ...
# $ MediPara:List of 3
# ..$ alpha: num [1, 1:50] 5.99 5.99 6 4.11 4.17 ...
# ..$ beta : num [1:50, 1] 6.11 5.96 6.01 4.05 3.88 ...
# ..$ gamma: num [1, 1] 3
# $ Info    :List of 4
# ..$ parameters     :List of 7
# .. ..$ sigmaY     : num 1
# .. ..$ sizeNonZero: num [1:3] 3 3 4
# .. ..$ alphaMean  : num [1:3] 6 4 2
# .. ..$ alphaSd    : num [1:3] 0.1 0.1 0.1
# .. ..$ betaMean   : num [1:3] 6 4 2
# .. ..$ betaSd     : num [1:3] 0.1 0.1 0.1
# .. ..$ sigmaM1    : num [1:50, 1:50] 1 0 0 0 0 0 0 0 0 0 ...
# ..$ trueValue      :List of 1
# .. ..$ gamma: num [1, 1] 3
# ..$ laplacianMatrix: NULL
# ..$ seed           : num 20231201simuData <- modalityMediationDataGen(seed = 20231201, generateLaplacianMatrix = TRUE)
str(simuData)
simuData <- modalityMediationDataGen(n = 50, p = 1000, seed = 20231201)
str(simuData)

交叉验证:cvSingleModalityAdmm

通过设置`numFolds`参数进行交叉验证，可以评估不同惩罚参数下的模型性能，帮助选择最佳模型

`交叉验证的结果，用于评估不同参数组合下Pathway Lasso惩罚方法的效果。输出结果是一个表格，其中包含以下列：

1. **rho**：这是ADMM算法中的ρ参数的候选值，它影响算法的收敛速度和解的质量。
2. **lambda1a**：Pathway Lasso惩罚中的λ1a参数的候选值，L1 范数惩罚中介变量和自变量之间的影响。
3. **lambda1b**：Pathway Lasso惩罚中的λ1b参数的候选值，中介变量和因变量之间影响的 L1 范数惩罚。
4. **lambda1g**：Pathway Lasso惩罚中的λ1g参数的候选值，直接效应的 L1 范数惩罚。默认值为 10 以解决高估问题。
5. **kappa**：Pathway Lasso惩罚的L1范数参数，控制路径正则化的具体形式。控制了路径结构的稀疏性，当 kappa 较小时，惩罚的作用更加平滑，有利于保留更多的特征；当 kappa 较大时，惩罚更加集中，有利于稀疏性，即更多特征被剔除。
6. **nu**：Pathway Lasso惩罚的L2范数参数，同样影响路径正则化。nu: 控制了路径结构中特征之间的相关性，当 nu 较小时，路径结构更加独立，有利于减少特征之间的相关性；当 nu 较大时，更多的特征将共享相同的路径，有助于保留相关性较强的特征。
7. **measure**：评估指标，默认均方根误差（RMSE），用于衡量预测结果与真实结果之间的差异。低的RMSE值通常意味着更好的模型性能，因为这表示预测误差更小。通过比较这些结果，可以选取最优的参数组合来构建最终模型。

8. lambda2a、lambda2b: 是 Pathway Lasso 方法中额外引入的惩罚项的参数。它们可以控制特征之间的相关性，帮助更好地保留特征间的相关性信息。

• lambda2a：L2 范数惩罚中介变量和自变量之间的影响
• lambda2b：中介变量和因变量之间影响的 L2 范数惩罚

# 2种不同的惩罚方法## 1.使用交叉验证进行 ElasticNet 惩罚参数调优
# 执行交叉验证
cvElasticNetResults <- cvSingleModalityAdmm(X = simuData$MediData$X,  # 独立变量的数据矩阵（暴露/治疗/组）Y = simuData$MediData$Y,  # 因变量的数据向量（结果响应）M1 = simuData$MediData$M1,  # 单模态中介变量numFolds = 5,  # 交叉验证的折数typeMeasure = "rmse",  # 评估指标类型，默认为均方根误差rho = c(0.9, 1, 1.1),  # rho 参数的候选值序列lambda1a = c(0.1, 0.5, 1),  # lambda1a 参数的候选值序列lambda1b = c(0.1, 0.3),  # lambda1b 参数的候选值序列lambda1g = c(1, 2),  # lambda1g 参数的候选值序列lambda2a = c(0.5, 1),  # lambda2a 参数的候选值序列lambda2b = c(0.5, 1),  # lambda2b 参数的候选值序列penalty = "ElasticNet"  # 使用 ElasticNet 惩罚
)# 输出结果： 
> cvElasticNetResultsrho lambda1a lambda1b lambda1g lambda2a lambda2b  measure[1,] 0.9      0.1      0.1        1      0.5      0.5 18.23108[2,] 1.0      0.1      0.1        1      0.5      0.5 18.32964[3,] 1.1      0.1      0.1        1      0.5      0.5 18.17303[4,] 0.9      0.5      0.1        1      0.5      0.5 17.77722[5,] 1.0      0.5      0.1        1      0.5      0.5 17.78040[6,] 1.1      0.5      0.1        1      0.5      0.5 17.77446[7,] 0.9      1.0      0.1        1      0.5      0.5 17.80479
[到达getOption("max.print") -- 略过很多行]]
attr(,"class")
[1] "cvSingleModalityAdmm"--------------------------------------------------------------------------
# 2. 使用交叉验证进行 Pathway Lasso 惩罚参数调优（lambda2a, lambda2b 未调整）
# 执行交叉验证
cvPathwayLassoResults <- cvSingleModalityAdmm(X = simuData$MediData$X,  # 独立变量的数据矩阵（暴露/治疗/组）Y = simuData$MediData$Y,  # 因变量的数据向量（结果响应）M1 = simuData$MediData$M1,  # 单模态中介变量numFolds = 5,  # 交叉验证的折数typeMeasure = "rmse",  # 评估指标类型，默认为均方根误差rho = c(0.9, 1, 1.1),  # rho 参数的候选值序列lambda1a = c(0.1, 0.5, 1),  # lambda1a 参数的候选值序列lambda1b = c(0.1, 0.3),  # lambda1b 参数的候选值序列lambda1g = c(1, 2),  # lambda1g 参数的候选值序列lambda2a = 1,  # 给定 lambda2a 参数值lambda2b = 1,  # 给定 lambda2b 参数值penalty = "PathwayLasso",  # 使用 Pathway Lasso 惩罚penaltyParameterList = list(kappa = c(0.5, 1), nu = c(1, 2))  # 惩罚参数列表，包括 kappa 和 nu
)# 输出结果：
cvPathwayLassoResultsrho lambda1a lambda1b lambda1g kappa nu  measure[1,] 0.9      0.1      0.1        1   0.5  1 19.46943[2,] 1.0      0.1      0.1        1   0.5  1 19.37725[3,] 1.1      0.1      0.1        1   0.5  1 19.40920[4,] 0.9      0.5      0.1        1   0.5  1 19.49747
[到达getOption("max.print") -- 略过很多行]]
attr(,"class")
[1] "cvSingleModalityAdmm"

将权矩阵转换为拉普拉斯矩阵的辅助函数:weightToLaplacian() 

# 将权矩阵转换为拉普拉斯矩阵的辅助函数:weightToLaplacian() 
set.seed(20231201) # 设置随机数种子
p <- 5 # 设置节点数
W <- matrix(0, nrow = p, ncol = p) # 初始化权矩阵
W[lower.tri(W)] <- runif(p*(p-1)/2, 0, 1) # 生成随机权的下三角矩阵
W[upper.tri(W)] <- t(W)[upper.tri(W)] # 使权矩阵对称
diag(W) <- 1 # 对角线元素设为1
W
# 输出结果如下
# [,1]      [,2]       [,3]      [,4]       [,5]
# [1,] 1.0000000 0.1623753 0.48119340 0.4406640 0.36219565
# [2,] 0.1623753 1.0000000 0.41138920 0.1344408 0.64471664
# [3,] 0.4811934 0.4113892 1.00000000 0.5306324 0.08042435
# [4,] 0.4406640 0.1344408 0.53063239 1.0000000 0.85450197
# [5,] 0.3621956 0.6447166 0.08042435 0.8545020 1.00000000(L <- weightToLaplacian(W)) # 将权矩阵转换为拉普拉斯矩阵
# 输出结果如下
# [,1]        [,2]        [,3]        [,4]        [,5]
# [1,]  0.59124083 -0.06767837 -0.19443191 -0.16374871 -0.13501050
# [2,] -0.06767837  0.57499652 -0.16949748 -0.05094059 -0.24505056
# [3,] -0.19443191 -0.16949748  0.60058145 -0.19491464 -0.02963414
# [4,] -0.16374871 -0.05094059 -0.19491464  0.66218945 -0.28956112
# [5,] -0.13501050 -0.24505056 -0.02963414 -0.28956112  0.66007653

拟合高维单模态中介模型

根据cvSingleModalityAdmm的结果挑选最佳参数，拟合🔤高维单模态中介模型🔤

penalty方法

penalty方法有3种+ 各自对应的惩罚参数列表【penaltyParameterList】

• 默认为弹性网络 ElasticNet
  • lambda1a, lambda1b, lambda1g, lambda2a, lambda2b
• 路径套索（PathywayLasso）
  • kappa 路径 Lasso 的 L1 范数惩罚。
  • nu 路径 Lasso 的 L2 范数惩罚
• 网络约束惩罚（Network）
  • 需要应用于网络惩罚的拉普拉斯矩阵

确定独立性筛选 (SIS)

SIS：指定是否执行确定独立性筛选 (sure independence screening, SIS)

• SISThreshold,中介者目标降维的阈值。默认值为“2”，这会将维度减少到 2*n/log(n)。n代表样本量

输出结果

• gamma：🔤估计直接影响🔤
• alpha：🔤估计中介变量和自变量之间的影响。🔤
• beta：🔤估计中介变量和因变量之间的影响🔤

综合应用

1. ElasticNet 惩罚

## 生成经验数据
simuData <- modalityMediationDataGen(seed = 20231201, generateLaplacianMatrix = TRUE)## ElasticNet 惩罚的参数估计
modelElasticNet <- singleModalityAdmm( X = simuData$MediData$X, Y = simuData$MediData$Y, M1 = simuData$MediData$M1, rho = 1, lambda1a = 1, lambda1b = 0.1, lambda1g = 2, lambda2a = 1, lambda2b = 1, penalty = "ElasticNet" )# 拟合并预测
fitted(modelElasticNet) 
predict(modelElasticNet, matrix(c(0, 1), ncol=1))# SIS独立性筛选
simuData <- modalityMediationDataGen(n = 50, p = 1000, seed = 20231201)
modelElasticNetSIS <- singleModalityAdmm( X = simuData$MediData$X, Y = simuData$MediData$Y, M1 = simuData$MediData$M1, rho = 1, lambda1a = 1, lambda1b = 0.1, lambda1g = 2, lambda2a = 1, lambda2b = 1, penalty = "ElasticNet", SIS = TRUE ) fitted(modelElasticNetSIS) 
predict(modelElasticNetSIS, matrix(c(0, 1), ncol=1))

2. 使用拉普拉斯矩阵进行网络惩罚的参数估计

# 1.使用模拟数据中的拉普拉斯矩阵
simuData <- modalityMediationDataGen(seed = 20231201, generateLaplacianMatrix = TRUE)modelNetwork <- singleModalityAdmm( X = simuData$MediData$X, Y = simuData$MediData$Y, M1 = simuData$MediData$M1, rho = 1, lambda1a = 1, lambda1b = 0.1, lambda1g = 2, lambda2a = 1, lambda2b = 1, penalty = "Network", penaltyParameterList = list(laplacianMatrix = simuData$Info$laplacianMatrix) )# 2. 自定义的拉普拉斯矩阵set.seed(20231201) 
p <- ncol(simuData$MediData$M1) 
W <- matrix(0, nrow = p, ncol = p) 
W[lower.tri(W)] <- runif(p*(p-1)/2, 0, 1) 
W[upper.tri(W)] <- t(W)[upper.tri(W)] 
diag(W) <- 1 
L <- weightToLaplacian(W) modelNetwork <- singleModalityAdmm( X = simuData$MediData$X, Y = simuData$MediData$Y, M1 = simuData$MediData$M1, rho = 1, lambda1a = 1, lambda1b = 0.1, lambda1g = 2, lambda2a = 1, lambda2b = 1, penalty = "Network", penaltyParameterList = list(laplacianMatrix = L) )

3. Pathway Lasso 惩罚的参数估计

simuData <- modalityMediationDataGen(seed = 20231201, generateLaplacianMatrix = TRUE)modelPathwayLasso <- singleModalityAdmm( X = simuData$MediData$X, Y = simuData$MediData$Y, M1 = simuData$MediData$M1, rho = 1, lambda1a = 1, lambda1b = 0.1, lambda1g = 2, lambda2a = 1, lambda2b = 1, penalty = "PathwayLasso", penaltyParameterList = list(kappa = 1, nu = 2) )

如果您看到这里，有钱的打个小💴赏~，没钱的点个"赞"赏，输出不易，感谢支持！！

这篇关于高维中介数据：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）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---