📊 statistics

Spectral decomposition-assisted multi-study factor analysis

यह शोध पत्र मल्टी-स्टडी फैक्टर एनालिसिस के लिए एक गणनात्मक रूप से कुशल, MCMC-मुक्त कार्यप्रणाली प्रस्तावित करता है जो साझा और अध्ययन-विशिष्ट कारकों को अलग करने के लिए स्पेक्ट्रल डिकंपोजिशन और सरोगेट बेयसियन रिग्रेशंस का लाभ उठाता है, जो उच्च-आयामी सहप्रसरण अनुमान (high-dimensional covariance estimation) के लिए मजबूत सैद्धांतिक गारंटी और बेहतर स्केलेबिलिटी प्रदान करता है।

मूल लेखक: Lorenzo Mauri, Niccolò Anceschi, David B. Dunson

प्रकाशित 2026-01-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lorenzo Mauri, Niccolò Anceschi, David B. Dunson

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल कहानी को समझने की कोशिश कर रहे हैं, लेकिन वह कहानी आपको पाँच अलग-अलग लोगों (अध्ययनों) द्वारा एक ही समय में सुनाई जा रही है। प्रत्येक व्यक्ति एक ही अंतर्निहित घटनाओं का वर्णन कर रहा है, लेकिन वे अपने स्वयं के अनूठे विवरण, पूर्वाग्रह और शोर (noise) भी जोड़ रहे हैं।

आपका लक्ष्य यह पता लगाना है:

साझा सत्य क्या है? (वह साझा कहानी जिस पर सभी सहमत हैं)।
प्रत्येक वक्ता के लिए क्या अनूठा है? (उनका व्यक्तिगत नजरिया या विशिष्ट संदर्भ)।
क्या केवल रैंडम शोर (noise) है? (गलतियाँ या विशिष्ट विवरण)।

यह बिल्कुल वही समस्या है जिसका सामना सांख्यिकीविद कई वैज्ञानिक अध्ययनों के डेटा को संयोजित करने के लिए करते हैं, विशेष रूप से आनुवंशिकी (genetics) जैसे क्षेत्रों में जहाँ हजारों चर (जीन) होते हैं लेकिन डेटा एक अध्ययन से दूसरे अध्ययन में अव्यवस्थित और भिन्न हो सकता है।

यह शोध पत्र एक नई विधि पेश करता है जिसे BLAST (बेयसियन लेटेंट एनालिसिस थ्रू स्पेक्ट्रल ट्रेनिंग) कहा जाता है ताकि इस पहेली को हल किया जा सके। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

समस्या: "शोर भरा समूह गान" (The Noisy Choir)

एक ऐसे समूह गान (choir) की कल्पना करें जहाँ कुछ गायक एक साझा धुन (साझा कारक/shared factors) गा रहे हैं, जबकि अन्य अपने स्वयं के अनूठे सोलो (study-specific factors) गा रहे हैं। इसके ऊपर, कुछ गायक बस खाँस रहे हैं या बेसुरा गा रहे हैं (शोर/noise)।

इन कारकों को पहचानने के पारंपरिक तरीके ऐसे हैं जैसे पूरे समूह गान को सुनकर और कान से सुरों का अनुमान लगाने की कोशिश करना। वे अक्सर अटक जाते हैं, बहुत अधिक समय लेते हैं, या जब समूह गान बहुत बड़ा (हजारों गायक/जीन) होता है तो भ्रमित हो जाते हैं। वे "गिब्स सैंपलर" (Gibbs sampler) का उपयोग कर सकते हैं, जो एक विशाल जिग्सॉ पहेली को एक बार में एक टुकड़े को हिलाकर और यह जाँचकर हल करने जैसा है कि वह फिट बैठता है या नहीं, बार-बार। यह धीमा है और एक कोने में फंस सकता है।

समाधान: "स्पेक्ट्रल टॉर्च" (The Spectral Flashlight - BLAST)

लेखक इस समूह गान को सुनने का एक स्मार्ट और तेज़ तरीका प्रस्तावित करते हैं। टुकड़ों में अनुमान लगाने के बजाय, वे स्पेक्ट्रल डिकम्पोजिशन (spectral decomposition) का उपयोग करते हैं (सोचिए एक उच्च तकनीक वाली टॉर्च के रूप में जो ध्वनि तरंगों की संरचना को प्रकट करती है)।

BLAST की चरण-दर-चरण प्रक्रिया यहाँ दी गई है:

साझा धुन खोजना:
यह विधि प्रत्येक अध्ययन के डेटा के "आकार" को देखती है। यह महसूस करती है कि हालांकि प्रत्येक अध्ययन में अपना अनूठा शोर है, फिर भी कुछ ऐसे "दिशा-निर्देश" या पैटर्न हैं जो सभी में दिखाई देते हैं। यह इन साझा दिशाओं को अलग करने के लिए एक गणितीय ट्रिक (डेटा के प्रोजेक्शन का औसत लेना) का उपयोग करती है। यह एक ऐसी रोशनी चमकाने जैसा है जो अनूठे सोलो और खाँसने को छान देती है, जिससे केवल साझा धुन ही दृश्यमान रह जाती है।
सोलो गायकों को अलग करना:
एक बार जब साझा धुन की पहचान हो जाती है, तो यह विधि प्रत्येक अध्ययन के डेटा से इसे "घटा" देती है। अब, जो बचता है वह उस विशिष्ट अध्ययन के लिए अनूठा सोलो हिस्सा है। अब, समस्या उलझी हुई नहीं बल्कि सुलझी हुई है।
"सरोगेट रिग्रेशन" (जादुई शॉर्टकट):
यही इस शोध पत्र का सबसे बड़ा नवाचार है। आमतौर पर, सटीक सुरों (loadings) को समझने के लिए जटिल, धीमे कंप्यूटर सिमुलेशन (MCMC) की आवश्यकता होती है। BLAST इससे पूरी तरह बच जाता है।
- उपमा: मान लीजिए कि आपने पहले ही गायकों (factors) की पहचान कर ली है। अब, आपको बस यह पता लगाना है कि प्रत्येक गायक कितना तेज़ गा रहा है। हजारों संभावित परिदृश्यों का अनुकरण करने के बजाय, BLAST इसे एक साधारण गणित के होमवर्क की तरह मानता है: एक रिग्रेशन (regression)।
- यह एक सरल समीकरण सेट करता है जहाँ "गायक" इनपुट हैं और "गीत" आउटपुट है। क्योंकि गणित को "कंजुगेट प्रायर्स" (conjugate priors) का उपयोग करके पूरी तरह से सेट किया गया है, इसलिए कंप्यूटर इसे तुरंत हल कर सकता है, जैसे कि एक साधारण बीजगणित समीकरण को हल करना, न कि एक मैराथन सिमुलेशन चलाना।
समानांतर प्रसंस्करण (Parallel Processing):
क्योंकि गणित प्रत्येक जीन (या चर) के लिए अलग-अलग, स्वतंत्र समस्याओं में टूट जाता है, कंप्यूटर उन्हें एक ही समय में (समानांतर में) हल कर सकता है। यह 1,000 श्रमिकों द्वारा एक साथ 1,000 छोटे पहेलियों को हल करने जैसा है, न कि एक कार्यकर्ता द्वारा एक-एक करके उन्हें हल करने जैसा।

यह बेहतर क्यों है?

गति: यह पुराने तरीकों की तुलना में बहुत तेज़ है। पेपर के परीक्षणों में, जबकि अन्य तरीकों को बड़े डेटासेट पर चलाने में घंटों या दिनों तक लग गए, BLAST ने मिनटों या सेकंडों में काम पूरा कर लिया।
सटीकता: यह केवल अनुमान नहीं लगाता; यह साझा और अनूठे भागों के लिए बहुत सटीक अनुमान प्रदान करता है।
आत्मविश्वास: यह आपको एक "कॉन्फिडेंस इंटरवल" (एक सीमा जहाँ वास्तविक उत्तर होने की संभावना है) देता है। पेपर दिखाता है कि उनकी विधि के कॉन्फिडेंस इंटरवल अच्छी तरह से कैलिब्रेटेड हैं, जिसका अर्थ है कि यदि वे 95% सुनिश्चित हैं, तो वे वास्तव में 95% ही हैं। अन्य विधियाँ अक्सर अपनी निश्चितता को बढ़ा-चढ़ाकर दिखाती हैं (यह दावा करते हुए कि वे सुनिश्चित हैं जब वे नहीं होते)।
कोई "ब्लैक बॉक्स" सैंपलिंग नहीं: यह धीमे, भंगुर "मार्कोव चेन मोंटे कार्लो" (MCMC) सैंपलिंग से बचता है जो अक्सर कन्वर्ज होने में विफल रहता है या बहुत अधिक समय लेता है।

वास्तविक दुनिया का परीक्षण: इम्यून सेल अध्ययन

लेखकों ने इस विधि का परीक्षण इम्यून सेल्स और जीन एक्सप्रेशन के बारे में तीन अलग-अलग अध्ययनों के वास्तविक डेटा पर किया।

चुनौती: इन डेटासेट्स में हजारों जीन (चर) और अलग-अलग सैंपल साइज थे।
परिणाम: BLAST ने डेटा को सफलतापूर्वक एकीकृत किया, साझा जीन पैटर्न और अध्ययन-विशिष्ट अंतरों की पहचान की। इसने प्रतिस्पर्धियों की तुलना में नए डेटा पॉइंट्स की बेहतर भविष्यवाणी की और वह भी बहुत तेज़ी से।

"डायमेंशनलिटी का आशीर्वाद" (The Blessing of Dimensionality)

इस पेपर में सबसे दिलचस्प दावों में से एक "डायमेंशनलिटी के आशीर्वाद" की अवधारणा है। आमतौर पर, अधिक चर (जीन) होने से चीजें कठिन हो जाती हैं। लेकिन यहाँ, लेखक दिखाते हैं कि जैसे-जैसे जीनों की संख्या बहुत बड़ी होती जाती है, यह विधि साझा सिग्नल को शोर से अलग करने में वास्तव में बेहतर होती जाती है। डेटा की विशाल मात्रा "टॉर्च" को और अधिक उज्ज्वल और स्पष्ट बनाने में मदद करती है।

सारांश

संक्षेप में, BLAST कई अध्ययनों के डेटा को संयrait करने का एक नया, सुपर-फास्ट और अत्यधिक सटीक तरीका है। यह "साझा कहानी" को "अनूठी कहानियों" और "शोर" से अलग करने के लिए एक चतुर गणितीय ट्रिक का उपयोग करता है, जिसके लिए धीमे, भारी-भरकम कंप्यूटर सिमुलेशन की आवश्यकता नहीं होती है। यह वैज्ञानिकों को उनके परिणामों में विश्वसनीय विश्वास के साथ विशाल डेटासेट (जैसे हजारों जीन) का तेजी से विश्लेषण करने की अनुमति देता है।

तकनीकी सारांश: स्पेक्ट्रल डिकंपोजिशन-असिस्टेड मल्टी-स्टडी फैक्टर एनालिसिस (BLAST)

समस्या विवरण
यह शोध पत्र मल्टी-स्टडी डेटा में कोवेरिएंस एस्टीमेशन (covariance estimation) की चुनौती को संबोधित करता है, विशेष रूप से ओमिक्स (omics) जैसे उच्च-आयामी (high-dimensional) परिवेशों में, जहाँ पर्याप्त अध्ययन-से-अध्ययन भिन्नता निष्कर्षों के पुनरुत्पादन (replication) में बाधा डालती है। इसका लक्ष्य कई अध्ययनों ( $S$ ) के डेटा का संयुक्त रूप से विश्लेषण करना है ताकि साझा (common/shared) और अध्ययन-विशिष्ट (study-specific) भिन्नता घटकों के बीच अंतर किया जा सके। लेखक निम्नलिखित फैक्टर एनालिटिक मॉडल पर ध्यान केंद्रित करते हैं:
$y_{si} = \Lambda \eta_{si} + \Gamma_s \phi_{si} + e_{si}$
जहाँ $\Lambda$ साझा लोडिंग्स (shared loadings) को दर्शाता है, $\Gamma_s$ अध्ययन-विशिष्ट लोडिंग्स को दर्शाता है, $\eta_{si}$ और $\phi_{si}$ लेटेंट फैक्टर्स (latent factors) हैं, और $e_{si}$ रेसिडुअल नॉइज़ (residual noise) है।

मौजूदा दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं:

कंप्यूटेशनल बाधाएं (Computational Bottlenecks): मैक्सिमम लाइकलीहुड (EM) और बेयसियन (Gibbs sampling) विधियाँ तब धीमी अभिसरण (convergence) और मिक्सिंग समस्याओं का सामना करती हैं जब चरों की संख्या ( $p$ ) बहुत अधिक होती है।
वेरिएशनल इन्फरेंस (VI): हालाँकि VI तेज़ है, लेकिन इसके एल्गोरिदम अक्सर सैद्धांतिक गारंटी की कमी रखते हैं, अनिश्चितता का कम आकलन करते हैं, और असंतोषजनक एस्टीमेशन सटीकता प्रदान करते हैं।
आइडेंटिफिएबिलिटी और स्पेक्ट्रल मेथड्स: पिछले स्पेक्ट्रल दृष्टिकोण अक्सर अनिश्चितता मात्रा निर्धारण (uncertainty quantification) प्रदान करने में विफल रहते हैं या उनके लिए प्रतिबंधात्मक धारणाओं (जैसे ऑर्थोगोनल लोडिंग्स या अत्यंत बड़े $p$ ) की आवश्यकता होती है। इसके अलावा, मॉडल विशिष्ट बाधाओं के बिना आइडेंटिफिएबल नहीं है, और मौजूदा बाधाओं (जैसे संयुक्त लोडिंग्स के फुल रैंक की आवश्यकता) को अक्सर एस्टीमेशन में लागू नहीं किया जाता है, जिससे प्रदर्शन खराब होता है।

कार्यप्रणाली: BLAST
लेखक BLAST (बेयसियन लेटेंट एनालिसिस थ्रू स्पेक्ट्रल ट्रेनिंग) प्रस्तावित करते हैं, जो फैक्टर एस्टीमेशन के लिए स्पेक्ट्रल डिकंपोजिशन और इन्फरेंस के लिए सरोगेट बेयसियन रिग्रेशन को संयोजित करने वाली एक कार्यप्रणाली है। यह प्रक्रिया महंगी मार्कोव चेन मोंटे कार्लो (MCMC) सैंपलिंग से बचती है।

लेटेंट फैक्टर्स का स्पेक्ट्रल एस्टीमेशन:
- साझा बनाम विशिष्ट पृथक्करण: विधि प्रत्येक अध्ययन के डेटा मैट्रिक्स के लिए सिंगुलर वैल्यू डिकंपोजिशन (SVD) की गणना करती है ताकि डोमिनेंट सबस्पेस पर प्रोजेक्शन मैट्रिसेस प्राप्त किए जा सकें।
- प्रोजेक्शन्स का औसत निकालना: इन अध्ययन-विशिष्ट प्रोजेक्शन्स का औसत निकाला जाता है। साझा अक्षों (shared axes) के साथ सिग्नल सुरक्षित रहता है, जबकि अध्ययन-विशिष्ट दिशाओं को कम (dampen) कर दिया जाता है। औसत मैट्रिक्स के लीडिंग सिंगुलर वेक्टर्स साझा सबस्पेस ( $\Lambda$ ) का अनुमान लगाते हैं।
- ऑर्थोगोनल प्रोजेक्शन: अध्ययन-विशिष्ट भिन्नता को अलग करने के लिए साझा सबस्पेस को प्रोजेक्ट आउट किया जाता है, जिससे अध्ययन-विशिष्ट फैक्टर्स ( $\phi_{si}$ ) का अनुमान लगाना संभव होता है। इसके विपरीत, साझा फैक्टर्स ( $\eta_{si}$ ) का अनुमान लगाने के लिए साझा भिन्नता को अलग करने हेतु अध्ययन-विशिष्ट फैक्टर्स को रिग्रेट आउट किया जाता है।
- डायमेंशन चयन: लेटेंट डायमेंशन्स ( $k_0$ साझा के लिए, $q_s$ विशिष्ट के लिए) को औसत प्रोजेक्शन मैट्रिक्स पर जॉइंट इंफॉर्मेशन क्राइटेरियन (JIC) और स्पेक्ट्रल गैप रूल (एल्बो मेथड) के संयोजन का उपयोग करके अनुमानित किया जाता है।
सरोगेट बेयसियन रिग्रेशन:
- अनुमानित लेटेंट फैक्टर्स के आधार पर, समस्या लोडिंग मैट्रिसेस ( $\Lambda$ और $\Gamma_s$ ) के लिए $p$ अलग-अलग रिग्रेशन समस्याओं में बदल जाती है।
- प्रायर्स (Priors): लोडिंग मैट्रिसेस की पंक्तियों और रेसिडुअल वेरिएंस पर कंजुगेट नॉर्मल-इनवर्स गामा प्रायर्स रखे जाते हैं।
- पोस्टीरियर कंप्यूटेशन: पोस्टीरियर डिस्ट्रीब्यूशन को विश्लेषणात्मक रूप से प्राप्त किया जाता है। पोस्टीरियर मीन, रिज रिग्रेशन समाधान के अनुरूप होती है।
- पैरेललाइजेशन: प्रायर स्पेसिफिकेशन में पंक्तियों की स्वतंत्रता के कारण, पोस्टीरियर परिणामों में विभाजित (factorize) हो जाता है, जिससे व्यापक पैरेललाइजेशन संभव होता है और MCMC की आवश्यकता नहीं रहती।
अनिश्चितता मात्रा निर्धारण और कैलिब्रेशन:
- लेखक नोट करते हैं कि अनुमानित लेटेंट फैक्टर्स से प्राप्त मानक क्रेडिबल इंटरवल्स (credible intervals) में हल्का अंडर-कवरेज होता है।
- वेरिएंस इन्फ्लेशन: एसेप्ट्टिकली वैध फ्रीक्वेंटिस्ट कवरेज प्राप्त करने के लिए, अनुमानित लोडिंग्स के सिग्नल-टू-नॉइज़ रेश्यो के आधार पर एक वेरिएंस इन्फ्लेशन फैक्टर ( $\rho$ ) निकाला जाता है। इस फैक्टर को यह सुनिश्चित करने के लिए ट्यून किया जाता है कि क्रेडिबल इंटरवल्स में सही एसिम्प्टोटिक कवरेज हो।
- एम्पिरिकल बेयस: डेटा एडैप्टिविटी सुनिश्चित करने के लिए हाइपरपैरामीटर्स (प्रायर वेरिएंस) को एम्पिरिकल बेयस के माध्यम से अनुमानित किया जाता है।

प्रमुख सैद्धांतिक योगदान
शोध पत्र एक डबल एसिम्प्टोटिक रिजीम (double asymptotic regime) में मजबूत फ्रीक्वेंटिस्ट गारंटी स्थापित करता है जहाँ नमूना आकार ( $n$ ) और आयाम ( $p$ ) दोनों बढ़ते हैं:

कंसिस्टेंसी (Consistency): लो-रैंक घटकों ( $\Lambda\Lambda^\top$ और $\Gamma_s\Gamma_s^\top$ ) के लिए पॉइंट एस्टिमेटर्स कंसिस्टेंट हैं।
कॉन्ट्रैक्शन रेट्स (Contraction Rates): पोस्टीरियर वास्तविक मापदंडों के इर्द-गिर्द $O(1/\sqrt{n} + 1/\sqrt{p})$ की दर से कॉन्ट्रैक्ट करता है।
सेंट्रल लिमिट थ्योरम (CLT): एंट्री-वाइज एस्टिमेटर्स एसिम्प्टोटिकली नॉर्मल हैं।
बर्नस्टीन-वॉन मिसेस (Bernstein-von Mises) थ्योरम: लो-रैंक घटकों पर प्रेरित पोस्टीरियर डिस्ट्रीब्यूशन एक विशिष्ट वेरिएंस स्ट्रक्चर के साथ वास्तविक पैरामीटर के आसपास एक गाऊसी (Gaussian) डिस्ट्रीब्यूशन में अभिसरित होता है, जो वैध क्रेडिबल इंटरवल्स के लिए वेरिएंस इन्फ्लेशन फैक्टर्स के उपयोग को न्यायसंगत बनाता है।
ब्लेसिंग ऑफ डायमेंशनलिटी (Blessing of Dimensionality): अनुमान त्रुटि (approximation error) जैसे-जैसे नमूना आकार और डेटा आयाम दोनों बढ़ते हैं, कम होती जाती है, जो इस प्रकार के मॉडलों के लिए एक "ब्लेसिंग ऑफ डायमेंशनलिटी" को औपचारिक रूप देती है।

अनुभवजन्य परिणाम (Empirical Results)
संख्यात्मक प्रयोगों में BLAST की तुलना वेरिएशनल इन्फरेंस (SVI, CAVI), एंडो और बाई (2017) के स्पेक्ट्रल एस्टिमेटर, और MCMC-आधारित दृष्टिकोणों से की गई है।

सटीकता (Accuracy): BLAST लो-रैंक वेरिएंस घटकों और लेटेंट फैक्टर्स के अनुमान में दोनों मामलों में वेरिएशनल विधियों से काफी बेहतर प्रदर्शन करता है। यह एंडो और बाई के स्पेक्ट्रल एस्टिमेटर के बराबर या उससे बेहतर है, विशेष रूप से तब जब लोडिंग्स पूरी तरह से ऑर्थोगोनल नहीं होते हैं या जब $p$ अत्यंत बड़ा नहीं होता है।
अनिश्चितता मात्रा निर्धारण: BLAST अच्छी तरह से कैलिब्रेटेड 95% क्रेडिबल इंटरवल्स प्रदान करता है, जबकि वेरिएशनल विधियाँ गंभीर अंडर-कवरेज (अक्सर 30-50% से नीचे) प्रदर्शित करती हैं।
कंप्यूटेशनल गति: BLAST MCMC की तुलना में काफी तेज़ है और VI एवं स्पेक्ट्रल विधियों के मुकाबले प्रतिस्पर्धी या तेज़ है, जो हजारों चरों तक कुशलतापूर्वक स्केल करता है।
वास्तविक डेटा अनुप्रयोग: विधि का उपयोग इम्यून सेल्स (ImmGen प्रोजेक्ट) से जुड़े तीन जीन एक्सप्रेशन अध्ययनों को एकीकृत करने के लिए किया गया था। BLAST ने हजारों जीन (2,846 और 7,870 जीन) तक सफलतापूर्वक स्केल किया, जो आउट-ऑफ-सैंपल प्रेडिक्शन सटीकता (MSE) और लॉग-लाइक्लीहुड में प्रतिस्पर्धियों से बेहतर प्रदर्शन करते हुए विश्वसनीय प्रेडिक्टिव इंटरवल्स प्रदान करता है।

महत्व और दावे
लेखक दावा करते हैं कि BLAST "मल्टी-स्टडी फैक्टर एनालिसिस में सटीक पॉइंट और इंटरवल एस्टिमेट प्राप्त करने के लिए एक तेज़ एल्गोरिदम" प्रदान करता है, जिसमें MCMC की कंप्यूटेशनल भंगुरता (brittleness) नहीं है। इस कार्य का महत्व निम्नलिखित में निहित है:

स्केलेबिलिटी: उच्च-आयामी मल्टी-स्टडी डेटा (हजारों जीन) के विश्लेषण को सक्षम बनाना, जो पहले बेयसियन विधियों के लिए कम्प्यूटेशनल रूप से निषेध योग्य था।
सैद्धांतिक कठोरता: साझा और विशिष्ट घटकों वाले बेयसियन मल्टी-स्टडी फैक्टर मॉडल के लिए मजबूत फ्रीक्वेंटिस्ट गारंटी (CLT, BvM, कॉन्ट्रैक्शन रेट्स) प्रदान करना, जो "ब्लेसिंग ऑफ डायमेंशनलिटी" को औपचारिक रूप देता है।
व्यावहारिक उपयोगिता: यह प्रदर्शित करना कि स्पेक्ट्रल डिकंपोजिशन का उपयोग साझा और विशिष्ट भिन्नता को अलग करने के लिए प्रभावी ढंग से किया जा सकता है, जो वेरिएशनल इन्फरेंस के लिए एक मजबूत विकल्प है जो अक्सर अनिश्चितता का कम आकलन करता है।

शोध पत्र निष्कर्ष निकालता है कि यह कार्यप्रणाली विशेष रूप रूप से जीन एसोसिएशन के मजबूत अनुमान प्राप्त करने और क्लिनिकल डेटा में इन-विथिन और बिटवीन-स्टडी कोवेरिएंस पर बेहतर निष्कर्ष निकालने के लिए उपयुक्त है।