کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4949302 | 1440043 | 2017 | 28 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Model-based time-varying clustering of multivariate longitudinal data with covariates and outliers
ترجمه فارسی عنوان
خوشه بندی متغیر زمانی مبتنی بر مدل از داده های طولی چند متغیر با متغیرها و فراوانی ها
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
ترجمه چکیده
یک کلاس مدل های خطی چند متغیره تحت محدوده طولی، که در آن عدم هماهنگی نامطلوب ممکن است در طول زمان تکامل یابد، معرفی شده است. ساختار پنهان در نظر گرفته شده به مدل ناهمگونی، داشتن یک پشتیبانی گسسته و پیروی از زنجیره مارکوف مرتبه اول است. توزیع چندمتغیره سنگین برای مقابله با ناپایداری ها معرفی شده است. برآورد حداکثر احتمال برای ارزیابی پارامترها با استفاده از حداکثر سازی انتظارات و الگوریتم های به حداکثر رساندن انتظار-شرط انجام می شود. یادداشت های مربوط به شناسایی و استحکام مدل همراه با تمام جزئیات محاسباتی مورد نیاز برای پیاده سازی این پیشنهاد ارائه می شود. سه برنامه کاربردی برای داده های مصنوعی و واقعی نشان داده شده است. این تمرکز بر تأثیرات بالقوه موجود در خوشه بندی و شناسایی آنها است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
A class of multivariate linear models under the longitudinal setting, in which unobserved heterogeneity may evolve over time, is introduced. A latent structure is considered to model heterogeneity, having a discrete support and following a first-order Markov chain. Heavy-tailed multivariate distributions are introduced to deal with outliers. Maximum likelihood estimation is performed to estimate parameters by using expectation-maximization and expectation-conditional-maximization algorithms. Notes on model identifiability and robustness are provided, along with all computational details needed to implement the proposal. Three applications on artificial and real data are illustrated. These focus on the potential effects of outliers on clustering and their identification.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 113, September 2017, Pages 475-496
Journal: Computational Statistics & Data Analysis - Volume 113, September 2017, Pages 475-496
نویسندگان
Antonello Maruotti, Antonio Punzo,