×
崔、温泉;徐建军;吴月华

一种新的基于再生核的生存数据非线性降维方法。 （英语） Zbl 07748389号

扫描。J.统计。 50，编号3，1365-1390（2023）.
摘要：基于切片逆回归（SIR）和再生核希尔伯特空间（RKHS）理论，提出了一种新的生存数据非线性降维方法RDSIR。基于RKHS性质构造了一个等距同构，然后RKHSs中的非线性函数可以用同构特征空间中两个元素的内积来表示。由于生存数据的审查，使用双重切片估计权重函数以调整审查偏差。利用广义特征分解问题估计非线性充分降维子空间。基于微扰理论建立了估计量的渐近性质。最后，通过仿真和实际数据验证了RDSIR的性能。数值结果表明，RDSIR与线性SDR方法具有可比性。最重要的是，RDSIR还可以有效地从生存数据中提取非线性。
{©2023斯堪的纳维亚统计杂志基金会董事会。}

MSC公司：

62至XX 统计学

关键词：

操作人员;微扰理论;RKHS公司;切片逆回归;充分降维子空间;生存数据

软件：

RSIR公司;ccaPP公司;正交博士;SHOGUN公司
PDF格式BibTeX公司 XML格式引用
\textit{W.Cui}等人，扫描。J.Stat.50，No.3，1365--1390（2023；Zbl 07748389）
全文： 内政部 arXiv公司

参考文献：

[1] Alfons，A.、Croux，C.和Filzmoser，P.（2016）。数据集之间强大的最大关联：r包ccapp。奥地利统计杂志，45，71-79。
[2] Alfons，A.、Croux，C.和Filzmoser，P.（2017）。鲁棒最大关联估计。美国统计协会杂志，112436-445。
[3] Aronszajn，N.（1950）。再生核理论。美国数学学会学报，68，337-404·Zbl 0037.20701号
[4] Baker，C.R.和McKeague，I.W.（1981年）。紧凑协方差运算符。美国数学学会学报，83，590-593·Zbl 0483.60005号
[5] Berlinet，A.和Thomas‐Agnan，C.（2011年）。在概率统计中再现核希尔伯特空间。施普林格科技与商业媒体。
[6] Candes，E.和Tao，T.（2007年）。dantzig选择器：当p远大于n时的统计估计。《统计年鉴》，352313-2351·Zbl 1139.62019号
[7] 陈，L.‐P。(2022). 具有协变量测量误差的删失数据的超高维充分降维。应用统计学杂志，49，1154-1178·兹伯利07522678
[8] 库克·R·D（2009）。回归图形：通过图形研究回归的想法（第482卷）。约翰·威利父子公司·Zbl 0903.62001
[9] Cook，R.D.和Weisberg，S.（1991年）。降维的切片逆回归：注释。美国统计协会杂志，86，328-332·Zbl 1353.62037号
[10] De Boor，C.、De Bool，C.、Mathématicien，E.-U.、。，De Boor，C.和De Boo，C.（1978年）。花键实用指南（第27卷）。Springer‐Verlag纽约·兹比尔0406.41003
[11] 丁S.、钱W.、王L.等（2020）。双重切片有助于高维删失数据的充分降维。《统计年鉴》，48，2132-2154·Zbl 1455.62192号
[12] Dong，Y.（2021）。简要回顾了通过优化实现线性充分降维。《统计规划与推断杂志》，211，154-161·Zbl 1455.62032号
[13] Dong，Y.，&Yang，C.（2016）。基于聚类的最小绝对偏差回归用于降维。统计理论与实践杂志，10121-132·Zbl 1426.62198号
[14] Duan，K.、Keerthi，S.S.和Poo，A.N.（2003）。用于调整支持向量机超参数的简单性能度量的评估。神经计算，51，41-59。
[15] Fan，J.，&Li，R.（2001）。通过非冲突惩罚似然及其oracle属性进行变量选择。美国统计协会杂志，96，1348-1360·Zbl 1073.62547号
[16] Fan，J.和Lv，J.（2008）。确保超高维特征空间的独立筛选。英国皇家统计学会杂志，B辑：统计方法，70849-911·Zbl 1411.62187号
[17] Fan，J.和Song，R.（2010年）。具有np维的广义线性模型中的确定独立筛选。《统计年鉴》，38，3567-3604·兹比尔1206.68157
[18] Fukumizu，K.，Bach，F.R.，Jordan，M.I.等人（2009年）。回归中的核降维。《统计年鉴》，371871-1905年·Zbl 1168.62049号
[19] Gönen，M.和Alpaydin，E.（2011）。多内核学习算法。机器学习研究杂志，12211-2268·Zbl 1280.68167号
[20] Johnson，R.A.、Wichern，D.W.等人（2002年）。应用多元统计分析（第5卷）。普伦蒂斯·霍尔。
[21] Jones，M.和Foster，P.（1993年）。广义重叠和高阶核。非参数统计学杂志，3，81-94·Zbl 1383.62098号
[22] Kato，T.（2013）。线性算子的微扰理论（第132卷）。施普林格科技与商业媒体。
[23] Keerthi，S.S.和Lin，C.‐J。(2003). 高斯核支持向量机的渐近行为。神经计算，1567-1689·Zbl 1086.68569号
[24] Kim，H.和Shin，S.J.（2021年）。一种分位数切片方法，用于对截尾响应进行充分降维。《生物医学杂志》，63201-212·Zbl 1523.62140号
[25] Lee，K.-Y。，Li，B.、Chiaromonte，F.等人（2013年）。非线性充分降维的一般理论：公式和估计。《统计年鉴》，41，221-249·Zbl 1347.62018年
[26] Li，B.、Artemiou，A.和Li，L.（2011）。线性和非线性充分降维的主支持向量机。《统计年鉴》，39，3182-3210·Zbl 1246.62153号
[27] Li，B.和Song，J.（2017）。函数数据的非线性充分降维。统计年鉴，451059-1095·Zbl 1371.62003年
[28] Li，B.和Wang，S.（2007年）。关于降维的方向回归。《美国统计协会杂志》，102997-1008·Zbl 1469.62300号
[29] 李，K.‐C。(1991). 用于降维的分段反向回归。《美国统计协会期刊》，86316-327·Zbl 0742.62044号
[30] Li，K.‐C.和Duan，N.（1989）。链接冲突下的回归分析。统计年鉴，17009-1052·Zbl 0753.62041号
[31] Li，K.‐C。，Wang，J.‐L。，Chen，C.-H。，等人（1999年）。删失回归数据的降维。统计年鉴，27，1-23·Zbl 0932.62050号
[32] Li，L.和Li，H.（2004）。微阵列的降维方法及其在截尾生存数据中的应用。生物信息学，203406-3412。
[33] Li，L.，&Yin，X.（2008）。带正则化的分段逆回归。生物统计学，64，124-131·Zbl 1139.62055号
[34] Loprinzi，C.L.，Laurie，J.A.，Wieand，H.S.，Krook，J.E.，Novotny，P.J.，Kugler，J.W.，Bartel，J，Law，M.，Bateman，M.和Klatt，N.E.（1994年）。从患者完成的问卷中对预后变量进行前瞻性评估。中北部癌症治疗组。临床肿瘤学杂志，12，601-607。
[35] Lu，W.，&Li，L.（2011）。删失回归的充分降维。生物统计学，67，513-523·Zbl 1217.62053号
[36] Ma，Y.，&Zhu，L.（2012）。降维的半参数方法。美国统计协会杂志，107，168-179·兹比尔1261.62037
[37] Ma，Y.，&Zhu，L.（2013）。关于降维的综述。《国际统计评论》，81，134-150·Zbl 1416.62220号
[38] Ogden，T.（2012）。用于统计应用和数据分析的基本小波。施普林格科技与商业媒体。
[39] Schölkopf，B.和Smola，A.J.（2002）。使用内核学习：支持向量机、正则化、优化等。麻省理工学院出版社。
[40] Scott，D.W.（2015）。多元密度估计：理论、实践和可视化。约翰·威利父子公司·Zbl 1311.62004号
[41] Sheng，W.和Yin，X.（2016）。通过距离协方差进行足够的降维。计算与图形统计杂志，2591-104。
[42] Shevlyakova，M.和Morgenthaler，S.（2014）。生存数据的切片逆回归。统计论文，55209-220·Zbl 1416.62229号
[43] Soale，A.‐N.和Dong，Y.（2020）。通过主非对称最小二乘法进行充分降维。arXiv预打印arXiv:2002.05264。
[44] Sonnenburg，S.、Rätsch，G.、Schäfer，C.和Schölkopf，B.（2006年）。大规模多核学习。机器学习研究杂志，71531-1565·Zbl 1222.90072号
[45] Sun，Q.，Zhu，R.，Wang，T.，&Zeng，D.（2019年）。统计基于过程的删失结果降维方法。《生物统计学》，106181-196年·Zbl 1506.62386号
[46] Sun，T.和Zhang，C.‐H。(2012). 缩放稀疏线性回归。《生物特征》，99，879-898·Zbl 1452.62515号
[47] Taylor，J.和Einbeck，J.（2013）。挑战多元局部线性回归中的维数灾难。计算统计学，28955-976·Zbl 1305.65078号
[48] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会期刊：B辑：方法论，58267-288·Zbl 0850.62538号
[49] Vidakovic，B.（2009年）。小波统计建模（第503卷）。约翰·威利父子公司。
[50] Wahba，G.（1990年）。观测数据的样条模型（第59卷）。SIAM公司·Zbl 0813.62001号
[51] Wang，C.、Shin，S.J.、Wu，Y.等（2018）。具有异方差的充分降维的主分位数回归。《电子统计杂志》，12114-2140·Zbl 1393.60119号
[52] Wen，X.M.（2010）。具有协变量的比例审查模型的充分降维。计算统计与数据分析，54，1975-1982·Zbl 1284.62609号
[53] 吴先生。(2008). 核切片逆回归及其在分类中的应用。计算与图形统计杂志，17，590-610。
[54] Wu，Q.，Liang，F.和Mukherjee，S.（2013）。核切片逆回归：正则化与一致性抽象与应用分析（卷2013）。欣达维。
[55] Xia，Y.（2007）。一种估计降维方向的构造性方法。《统计年鉴》，35，2654-2690·Zbl 1360.62196号
[56] Xia，Y.、Tong，H.、Li，W.K.和Zhu，L.‐X。（2002年）。降维空间的自适应估计。英国皇家统计学会杂志：B辑（统计方法），64，363-410·Zbl 1091.62028号
[57] Xia，Y.，Zhang，D.，&Xu，J.（2010）。生存模型的降维和半参数估计。美国统计协会杂志，105，278-290·Zbl 1397.62377号
[58] Xue，Y.，Zhang，N.，Yin，X.，&Zheng，H.（2017）。利用hilbert-schmidt独立准则进行充分降维。计算统计与数据分析，115，67-78·Zbl 1466.62222号
[59] Yeh，Y.‐R.，是的。，黄，S.‐Y.，&李，Y.J。(2008). 核切片逆回归的非线性降维。IEEE知识与数据工程汇刊，211590-1603。
[60] Yin，X.和Cook，R.D.（2002）。回归中第k个条件矩的降维。英国皇家统计学会杂志，B辑：统计方法，64，159-175·Zbl 1067.62042号
[61] Yin，X.、Li，B.和Cook，R.D.（2008年）。在多指标回归中估计中心子空间的连续方向提取。多元分析杂志，991733-1757·Zbl 1144.62030号
[62] Yuan，M.，&Lin，Y.（2006）。分组变量回归中的模型选择和估计。英国皇家统计学会杂志，B辑：统计方法，68，49-67·Zbl 1141.62030号
[63] Zhang，J.和Chen，X.（2019）。通过球协方差进行稳健的充分降维。计算统计与数据分析，140，144-154·Zbl 1496.62110号
[64] Zhao，G.，Ma，Y.，&Lu，W.（2022）。截尾生存数据降维的有效估计。中国统计局，322359-2380·Zbl 07602345号
[65] Zhong，W.，Zeng，P.，Ma，P.、Liu，J.S.和Zhu，Y.（2005）。Rsir：用于模体发现的正则切片逆回归。生物信息学，214169-4175。
[66] Zhu，L.‐X。，Fang，K.‐T。，等（1996）。切片逆回归核估计的渐近性。《统计年鉴》，第24期，第1053-1068页·Zbl 0864.62027号
[67] 邹华（2006）。自适应套索及其oracle属性。美国统计协会杂志，1011418-1429·Zbl 1171.62326号
[68] Zou，H.和Hastie，T.（2005）。通过弹性网进行规则化和变量选择。英国皇家统计学会杂志，B辑：统计方法，67，301-320·Zbl 1069.62054号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。