کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7546761 1489637 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Functional envelope for model-free sufficient dimension reduction
ترجمه فارسی عنوان
پاکت عملیاتی برای کاهش اندازه کافی ابعاد مدل
کلمات کلیدی
مدل پاکت نامه داده های عملکردی، رگرسیون معکوس کارکردی، کاهش اندازه مناسب،
ترجمه چکیده
در این مقاله، پاکت عملیاتی برای کاهش اندازه و رگرسیون کافی با داده های عملکردی و طولی ارائه شده است. روشهای کیفی کاهش ابعاد کارکرد، به ویژه روش خانوادههای برآورد رگرسیون معکوس، معمولا شامل حل معضلات مربوط به معادلات عمومی و معکوس کردن اپراتور کوواریانس بی نهایت هستند. با مفهوم پاکت عملیاتی، اساسا یک نوع خاص از زیرمجموعه اندازه گیری کافی ابعاد است، ما یک روش عمومی برای دور زدن مشکلات در حل مشکلات معادلات عمومی و به طور مستقیم کوواریانس را توسعه می دهیم. ما ویژگی های هندسی پوشش پاکت عملکردی را به دست می آوریم و خواص آرمپتوتیکی برآوردهای پاکت های مربوطه را در شرایط خفیف ایجاد می کنیم. برآوردگرهای پوششی کاربردی، در مطالعات شبیه سازی گسترده و تجزیه و تحلیل اطلاعات واقعی نشان داده اند.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آنالیز عددی
پیش نمایش مقاله
پاکت عملیاتی برای کاهش اندازه کافی ابعاد مدل
چکیده انگلیسی
In this article, we introduce the functional envelope for sufficient dimension reduction and regression with functional and longitudinal data. Functional sufficient dimension reduction methods, especially the inverse regression estimation family of methods, usually involve solving generalized eigenvalue problems and inverting the infinite-dimensional covariance operator. With the notion of functional envelope, essentially a special type of sufficient dimension reduction subspace, we develop a generic method to circumvent the difficulties in solving the generalized eigenvalue problems and inverting the covariance directly. We derive the geometric characteristics of the functional envelope and establish the asymptotic properties of related functional envelope estimators under mild conditions. The functional envelope estimators have shown promising performance in extensive simulation studies and real data analysis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Multivariate Analysis - Volume 163, January 2018, Pages 37-50
نویسندگان
, , ,