柔軟な二変量相関カウントデータ回帰

多変量カウントデータは、多くの分野で一般的です。このようなデータの変数は、しばしば複雑な正または負の依存性構造を示します。共変量依存の平均と相関を考慮して、同時に二変量カウントデータをモデル化するための3つのベイジアンアプローチを提案します。直接的なアプローチは、Famoye（2010、Applied Statistics Journal）で開発された二変量負の二項確率質量関数を利用しています。2番目のアプローチは、二変量ポアソンガンマ混合モデルを使用して、二変量カウントデータに間接的に適合します。3番目のアプローチは、二変量ガウスコピュラモデルです。シミュレーション分析の結果に基づいて、間接的およびコピュラアプローチは、モデルのフィッティングと共変量依存性の関連性を特定するという点で、直接的なアプローチよりも全体的に優れたパフォーマンスを発揮します。提案されたアプローチは、国際癌ゲノムコンソーシアムを通じて得られた乳がんと黒色腫（BRCA-USおよびSKCM-US）をそれぞれ研究するための2つのRNAシーケンスデータセットに適用されます。

Multivariate count data are common in many disciplines. The variables in such data often exhibit complex positive or negative dependency structures. We propose three Bayesian approaches to modeling bivariate count data by simultaneously considering covariate-dependent means and correlation. A direct approach utilizes a bivariate negative binomial probability mass function developed in Famoye (2010, Journal of Applied Statistics). The second approach fits bivariate count data indirectly using a bivariate Poisson-gamma mixture model. The third approach is a bivariate Gaussian copula model. Based on the results from simulation analyses, the indirect and copula approaches perform better overall than the direct approach in terms of model fitting and identifying covariate-dependent association. The proposed approaches are applied to two RNA-sequencing data sets for studying breast cancer and melanoma (BRCA-US and SKCM-US), respectively, obtained through the International Cancer Genome Consortium.