MARC

 008250123s2024        us                              c    eng  d
■001000017161086
■00520250211151255
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382214764
■035    ▼a(MiAaPQ)AAI30995872
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aYue,  Kun.
■24510▼aMethods  for  Correlated  Data:  Large-Scale  Linear  Mixed  Models  and  Brain  Connectivity  Networks
■260    ▼a[Sl]▼bUniversity  of  Washington▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a268  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  B.
■500    ▼aAdvisor:  Shojaie,  Ali;Lila,  Eardi.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2024.
■520    ▼aThis  dissertation  addresses  the  challenges  associated  with  correlated  data  in  diverse  fields,  emphasizing  both  statistical  methodology  and  applications  in  the  realms  of  genetics  and  neuroimaging.  The  overarching  theme  revolves  around  the  development  and  refinement  of  statistical  tools,  particularly  focusing  on  large-scale  linear  mixed  models  and  brain  connectivity  networks.In  the  second  chapter,  we  confront  the  computational  inefficiencies  and  instability  issues  of  standard  methods  for  estimating  variance  components  in  linear  mixed  models,  commonly  used  in  genetic  studies.  Utilizing  regularized  estimation  strategies,  we  propose  the  restricted  Haseman-Elston  (REHE)  regression  and  its  resampling  variant  (reREHE)  estimators,  along  with  an  inference  framework  for  REHE,  as  fast  and  robust  alternatives  that  provide  nonnegative  estimates  with  comparable  accuracy  to  REML.  The  merits  of  REHE  are  illustrated  using  real  data  and  benchmark  simulation  studies.The  third  chapter  is  motivated  by  the  problem  of  inferring  the  graph  structure  of  functional  connectivity  networks  from  multi-level  functional  magnetic  resonance  imaging  (fMRI)  data.  We  develop  a  valid  inference  framework  for  high-dimensional  graphical  models  that  accounts  for  group-level  heterogeneity.  We  introduce  a  neighborhood-based  method  to  learn  the  graph  structure  and  reframe  the  problem  as  that  of  inferring  fixed  effect  parameters  in  a  doubly  high-dimensional  linear  mixed  model.  Specifically,  we  propose  a  LASSO-based  estimator  and  a  de-biased  LASSO-based  inference  framework  for  the  fixed  effect  parameters  of  the  linear  mixed  model.  Moreover,  we  introduce  consistent  estimators  for  the  variance  components  in  order  to  identify  subject-specific  edges  in  the  inferred  graph.  We  also  adapt  our  method  to  account  for  serial  correlation  by  learning  heterogeneous  graphs  in  the  setting  of  a  vector  autoregressive  model.  We  demonstrate  the  performance  of  the  proposed  framework  using  real  data  and  benchmark  simulation  studies.The  fourth  chapter  delves  into  the  temporally  dynamic  brain  connectivity  of  the  default  mode  network  as  a  potential  biomarker  for  Alzheimer's  Disease  (AD).  Existing  amyloid  beta  (Aβ)  biomarkers,  though  effective,  confront  practical  limitations.  Brain  functional  connectivity  alterations  linked  to  AD  pathology  propose  a  non-invasive  avenue  for  Aβ  detection.  However,  current  FC  measurements  lack  standalone  sensitivity.  We  investigate  temporally  dynamic  FC  through  resting-state  functional  MRI  and  introduce  the  Generalized  Autoregressive  Conditional  Heteroscedastic  Dynamic  Conditional  Correlation  (DCC-GARCH)  model.  To  fulfill  the  model  assumptions,  we  employ  whitening  procedures  to  remove  the  serial  correlations.  Recognizing  the  limitations  of  traditional  methods,  we  introduce  an  iterative  data-adaptive  autoregressive  model  (IDAR)  capable  of  modeling  complex  serial  correlation  structures  for  both  long-  and  short-TR  datasets.  We  comprehensively  illustrate  IDAR's  performance  by  assessing  residual  serial  correlations  post-whitening  and  type-I  error  rates  in  task  testing.  After  applying  the  IDAR  approach  to  pre-process  fMRI  signals,  we  estimate  dynamic  functional  connectivity  profiles  with  DCC-GARCH  models.  Our  results  demonstrate  superior  sensitivity  to  CSF  Aβ  status  and  provide  crucial  insights  into  dynamic  functional  connectivity  analysis  in  AD.
■590    ▼aSchool  code:  0250.
■650  4▼aBiostatistics
■650  4▼aPathology
■650  4▼aMedical  imaging
■650  4▼aGenetics
■653    ▼aExisting  amyloid  beta
■653    ▼aAlzheimer's  Disease
■653    ▼aGraph  structure
■653    ▼aFunctional  magnetic  resonance  imaging
■653    ▼aCorrelation  structures
■690    ▼a0308
■690    ▼a0574
■690    ▼a0369
■690    ▼a0571
■71020▼aUniversity  of  Washington▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-10B.
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161086▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서