Hyppää sisältöön
    • Suomeksi
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • 3. UTUCris-artikkelit
  • Rinnakkaistallenteet
  • Näytä aineisto
  •   Etusivu
  • 3. UTUCris-artikkelit
  • Rinnakkaistallenteet
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

An additive Gaussian process regression model for interpretable non-parametric analysis of longitudinal data

Riitta Lahesmaa; Tommi Vatanen; Harri Lähdesmäki; Siddharth Ramchandran; Niina Lietzén; Aki Vehtari; Lu Cheng

An additive Gaussian process regression model for interpretable non-parametric analysis of longitudinal data

Riitta Lahesmaa
Tommi Vatanen
Harri Lähdesmäki
Siddharth Ramchandran
Niina Lietzén
Aki Vehtari
Lu Cheng
Katso/Avaa
Publisher's PDF (722.8Kb)
Lataukset: 

doi:10.1038/s41467-019-09785-8
URI
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6470127/pdf/41467_2019_Article_9785.pdf
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2021042821257
Tiivistelmä

Biomedical research typically involves longitudinal study designs where
samples from individuals are measured repeatedly over time and the goal
is to identify risk factors (covariates) that are associated with an
outcome value. General linear mixed effect models are the standard
workhorse for statistical analysis of longitudinal data. However,
analysis of longitudinal data can be complicated for reasons such as
difficulties in modelling correlated outcome values, functional
(time-varying) covariates, nonlinear and non-stationary effects, and
model inference. We present LonGP, an additive Gaussian process
regression model that is specifically designed for statistical analysis
of longitudinal data, which solves these commonly faced challenges.
LonGP can model time-varying random effects and non-stationary signals,
incorporate multiple kernel learning, and provide interpretable results
for the effects of individual covariates and their interactions. We
demonstrate LonGP's performance and accuracy by analysing various
simulated and real longitudinal -omics datasets.

Kokoelmat
  • Rinnakkaistallenteet [19206]

Turun yliopiston kirjasto | Turun yliopisto
julkaisut@utu.fi | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetAsiasanatTiedekuntaLaitosOppiaineYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy

Turun yliopiston kirjasto | Turun yliopisto
julkaisut@utu.fi | Tietosuoja | Saavutettavuusseloste