I人の個体より構成されるディプロイドデータにおいて表現型で、ハプロタイプである。で、はunique haplotypeの総数。
連続的表現型について、次のモデルを使用する。
バイナリの表現型について、次のモデルを使用する。
ここでで、Cはクラスターの総数。(1-1)式はadditive modelである。dominant modelとしたいときには、
とすればよいだろう。
クラスターcのリスクとモデル化する。プライアーをあてはめてよいが、今回著者らは全ての場合でとしている。これはつまりプロビットの式が
となるが、ケースコントロールスタディではこれが適切なモデルであると思われる。
ひとつの表現型毎にひとつのハプロタイプが対応する場合、(1-1)式を次のように書き換えることができる。
これがボロノイ分割と呼ばれる手法である。中心についてはMetropolis-Hastingsアルゴリズムで求めた。
類似性の測度は、クラスターc内の想定上の機能的突然変異、により定める。は簡便のため観察されたマーカー部位に限る。
Gibbs samplingを用いる。 (1-2)式はを用いて次のようになる。
ここでである。
これで標準的MCMCが動く。
(Appendix Aより)
次の5つのupdateのうちどれかを、均一乱数にしたがって選択し行う。いずれも式(6)に基づく提案の受け入れor拒絶をおこなうためのupdateである。
よくわからず