Perturbation-based Effect Measures for Compositional Data
本文提出了一种名为“平均扰动效应”的新颖框架，通过利用假设性扰动来定义可解释且经过混杂因素调整的统计泛函，并利用半参数技术进行高效估计，从而解决传统参数化方法在分析高维、稀疏成分数据时的局限性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在许多科学领域，研究人员研究的对象是由必须构成整体的部分组成的。地质学家可能会观察岩石中矿物的混合比例，生态学家可能会统计森林中的不同物种数量，或者社会学家可能会研究一个城市的种族构成。在所有这些案例中，数据并非一组独立的数字，而是一种组成关系，其中一个部分的增加必然意味着其他部分的减少。这创造了一个独特的数学陷阱。如果你试图测量某个特定部分如何影响结果（例如，某种微生物的存在如何影响健康），标准的统计工具往往会失效。它们将各个部分视为可以独立变化，而当这些部分受限于“总和必须为百分之百”这一规则而相互锁定关系时，这种独立变化是不可能的。这可能导致令人困惑甚至错误的结论，关于究竟是什么在驱动结果。
为了解决这个问题，研究人员安东·拉斯克·伦德博格（Anton Rask Lundborg）和尼克拉斯·皮斯特（Niklas Pfister）开发了一种衡量这类复杂系统中因果关系的新方法。他们不再试图将数据强行塞入忽略“整体”约束的旧模型，而是提出了一种基于假设性变化或扰动的方法。想象一下，你想知道如果增加一个群体的多样性会发生什么。在现实世界中，你不能仅仅通过凭空增加多样性而不从现有的混合物中减去某些东西。研究人员的方法模拟了一种特定的、现实的变化：他们询问，“如果我们把整个组成结构朝着一个特定的方向——比如向更均衡的平衡点移动——稍微进行偏移，结果会发生什么？”通过计算这些假设性偏移在许多不同起始点上的平均结果，他们可以隔离出变化的真实效应，而不受其他组成部分带来的混乱影响。
该团队在模拟数据和包括纽约学校种族多样性研究以及数千人肠道菌群分析在内的现实案例上测试了这个想法。在学校数据中，他们研究了种族多样性如何与学生成绩相关联。传统方法仅仅观察多样性得分与成绩之间的相关性，显示出很强的正向联系。然而，当研究人员应用他们的新型扰动法（该方法考虑了不同种族群体之间复杂的相互作用）时，这种效应变得小得多，并且在数学成绩方面，在统计学上与零没有显著区别。这表明，旧方法所看到的强联系很可能是一个由其他因素（如学生的经济背景）造成的幻象，而非多样性本身的直接结果。
同样，在人类肠道微生物组的研究中，研究人员想要找出哪些特定的细菌对于预测一个人的身体质量指数（BMI）是重要的。标准工具处理这类数据时经常遇到困难，因为许多细菌在某些人身上是缺失的，这种“零”的存在会破坏传统的数学运算。新方法能够自然地处理这些“零”。它区分了“微生物仅仅是存在或不存在的影响”与“其丰度发生变化的影响”。结果显示，与旧技术相比，新方法识别出的重要细菌有所不同，且可能更为准确。研究人员发现，他们的方法提供了一个更清晰、更诚实的图景，展示了混合物的变化如何影响结果，为那些处理受“整体规则”约束数据的科学家们提供了一个可靠的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。