کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7546647 1489635 2018 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A general algorithm for covariance modeling of discrete data
ترجمه فارسی عنوان
یک الگوریتم کلی برای مدل سازی کوواریانس داده های گسسته
ترجمه چکیده
ما یک الگوریتم ارائه می دهیم که عموما به داده های گسسته هر یک از الگوریتم های مدل سازی کوواریانس که در ابتدا برای پاسخ گاوس در نظر گرفته شده است، به وسیله یک رویکرد کووالوس گاوسی پیشنهاد می شود. مدل سازی کوواریانس ابزار قدرتمند برای استخراج معنی از داده های چند متغیره است و الگوریتم های سریع برای داده های گاوسی مانند تحلیل عامل و مدل های گرافیکی گاوسی به طور گسترده ای در دسترس هستند. الگوریتم ما این ابزار را به طور کلی برای تحلیلگران داده های گسسته به کار می برد و می تواند روش مدل سازی کوواریانس مبتنی بر احتمال را برای داده های گاوسی با هر مجموعه ای از توزیع های حاشیه ای گسسته ترکیب کند. پیش از این ابزارهایی برای داده های گسسته به طور کلی به یک خانواده توزیع یا پارادایم مدل سازی کوواریانس اختصاص یافت یا در غیر این صورت وجود نداشت. الگوریتم ما انعطاف پذیر تر از روش های متناوب است، استفاده از الگوریتم های سریع موجود برای داده های گاوسی را به دست می آورد، و شبیه سازی ها نشان می دهد که از روش های مدل سازی گرافیکی و تجزیه و تحلیل عوامل رقابتی برای داده های شمارش و دوزیستی برترتر است. ما علاوه بر این نشان می دهد که در مدل گرافیکی گواسی کوپول با حاشیه های گسسته، روابط استقلال شرطی در متغیرهای گاوسی پنهان توسط مشاهدات گسسته ارث می برند. روش ما با یک مدل گرافیکی و تجزیه و تحلیل فاکتور در مجموعه داده های زیست محیطی فراوانی از فراوانی گونه ها نشان داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آنالیز عددی
چکیده انگلیسی
We propose an algorithm that generalizes to discrete data any given covariance modeling algorithm originally intended for Gaussian responses, via a Gaussian copula approach. Covariance modeling is a powerful tool for extracting meaning from multivariate data, and fast algorithms for Gaussian data, such as factor analysis and Gaussian graphical models, are widely available. Our algorithm makes these tools generally available to analysts of discrete data and can combine any likelihood-based covariance modeling method for Gaussian data with any set of discrete marginal distributions. Previously, tools for discrete data were generally specific to one family of distributions or covariance modeling paradigm, or otherwise did not exist. Our algorithm is more flexible than alternate methods, takes advantage of existing fast algorithms for Gaussian data, and simulations suggest that it outperforms competing graphical modeling and factor analysis procedures for count and binomial data. We additionally show that in a Gaussian copula graphical model with discrete margins, conditional independence relationships in the latent Gaussian variables are inherited by the discrete observations. Our method is illustrated with a graphical model and factor analysis on an overdispersed ecological count dataset of species abundances.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Multivariate Analysis - Volume 165, May 2018, Pages 86-100
نویسندگان
, , ,