李光耀;李乐信 通过平均Fréchet导数进行泛函充分降维。 (英语) 兹比尔1486.62115 Ann.统计。 50,编号2,904-929(2022). 摘要:充分降维(SDR)包含一系列方法,旨在在回归设置中减少维数而不丢失信息。在本文中,我们提出了一种新的非参数函数对函数SDR方法,其中响应和预测器都是函数。我们首先发展了函数中心平均子空间和函数中心子空间的概念,它们构成了函数SDR的总体目标。然后我们引入了一个平均Fréchet导数估计,它将回归函数的梯度扩展到算子级,并使我们能够为函数降维空间开发估计量。我们证明了得到的函数SDR估计量是无偏和穷举的,更重要的是,没有施加任何分布假设,例如所有现有函数SDR方法通常施加的线性或常方差条件。我们建立了函数降维空间估计量的一致收敛性,同时允许Karhunen-Loève展开数和内禀维数随样本大小发散。我们通过仿真和两个实际数据示例证明了所提方法的有效性。 引用于2文件 MSC公司: 62G08号 非参数回归和分位数回归 6220国集团 非参数推理的渐近性质 62甲12 多元分析中的估计 62兰特 功能数据分析 关键词:一致性;穷尽性;函数中心平均子空间;函数中心子空间;函数对函数回归;再生核希尔伯特空间;无偏性 软件:fda(右) PDF格式BibTeX公司 XML格式引用 \textit{K.-Y.Lee}和\textit{L.Li},Ann.Stat.50,No.2,904--929(2022;Zbl 1486.62115) 全文: 内政部 参考文献: [1] AMINI,A.A.和WAINWRIGHT,M.J.(2012年)。再生核Hilbert空间中函数PCA的抽样形式。安。统计师。40 2483-2510. ·Zbl 1373.62289号 ·doi:10.1214/12-AOS1033 [2] 康威,J.B.(2010)。函数分析课程,第二版,施普林格,纽约。 [3] 库克·R·D和李·B(2002)。回归中条件均值的降维。安。统计师。30 455-474. ·Zbl 1012.62035号 ·doi:10.1214/aos/1021379861 [4] 库克·R·D·和韦斯伯格·S·(1991)。关于“切片逆回归降维”的讨论。J.Amer。统计师。协会。86 328-332. ·Zbl 1353.62037号 [5] FANAEE-T,H.和GAMA,J.(2014)。结合集合检测器和背景知识的事件标记。掠夺。Artif公司。智力。2 113-127. [6] FERRÉ,L.和YAO,A.F.(2003年)。功能切片反向回归分析。统计37 475-488. ·Zbl 1032.62052号 ·doi:10.1080/023318803100112845 [7] FERRé,L.和YAO,A.-F.(2005)。平滑函数逆回归。统计师。西尼卡15 665-683. ·Zbl 1086.62054号 [8] FUKUMIZU,K.、BACH,F.R.和JORDAN,M.I.(2009年)。回归中的核降维。安。统计师。37 1871-1905. ·Zbl 1168.62049号 ·doi:10.1214/08-AOS637 [9] FUKUMIZU,K.和LENG,C.(2014)。基于梯度的回归核降维。J.Amer。统计师。协会。109 359-370. ·Zbl 1367.62118号 ·doi:10.1080/01621459.2013.838167 [10] HARDLE,W.(1989)。用平均导数方法研究平滑多元回归。J.Amer。统计师。协会。84 986-995. ·Zbl 0703.62052号 [11] Härdle,W.和Stoker,T.M.(1989)。用平均导数方法研究平滑多元回归。J.Amer。统计师。协会。84 986-995. ·Zbl 0703.62052号 [12] HSING,T.(1999)。最近邻逆回归。安。统计师。27 697-731. ·Zbl 0951.62034号 ·doi:10.1214/aos/1018031213 [13] HSING,T.和REN,H.(2009年)。逆回归降维问题的RKHS公式。安。统计师。37 726-755. ·Zbl 1162.62053号 ·doi:10.1214/07-AOS589 [14] 姜成荣、于伟和王建乐(2014)。纵向数据的反向回归。安。统计师。42 563-591. ·Zbl 1296.62073号 ·doi:10.1214/13-AOS1193 [15] Kim,J.S.、Staicu,A.-M.、Maity,A.、Carroll,R.J.和Ruppert,D.(2018年)。加性函数对函数回归。J.计算。图表。统计师。27 234-244. ·Zbl 07498981号 ·doi:10.1080/10618600.2017.1356730 [16] LEE,Y.-J.和HUANG,S.-Y.(2007)。简化支持向量机:统计理论。IEEE传输。神经网络。18 1-13. ·doi:10.1109/TNN.2006.883722 [17] LEE,K.-Y.和LI,L.(2022)。对“通过平均Fréchet导数实现功能充分降维”的补充https://doi.org/10.1214/21-AOS2131SUPP网站 [18] Li,K.-C.(1991)。用于降维的分段反向回归。J.Amer。统计师。协会。86 316-342. ·Zbl 0742.62044号 [19] 李斌(2018a)。足够的尺寸缩减:R的方法和应用.统计学和应用概率专著161.佛罗里达州博卡拉顿CRC出版社·Zbl 1408.62011号 ·doi:10.1201/9781315119427 [20] 李斌(2018b)。基于线性算子的统计分析:大数据的有用范例。加拿大。J.统计。46 79-103. ·Zbl 1466.62363号 ·doi:10.1002/cjs.11329 [21] LI,B.和SONG,J.(2017)。函数数据的非线性充分降维。安。统计师。45 1059-1095. ·Zbl 1371.62003年 ·doi:10.1214/16-AOS1475 [22] LI,B.和WANG,S.(2007)。关于降维的方向回归。J.Amer。统计师。协会。102 997-1008. ·Zbl 1469.62300号 ·doi:10.1198/0162145000000536 [23] 李B.、温S.和朱L.(2008)。关于多变量响应降维的投影重采样方法。J.Amer。统计师。协会。103 1177-1186. ·Zbl 1205.62067号 ·doi:10.1198/016214500000045 [24] LI,B.,ZHA,H.和CHIAROMONTE,F.(2005)。轮廓回归:一种通用的降维方法。安。统计师。33 1580-1616. ·Zbl 1078.62033号 ·doi:10.1214/009053605000000192 [25] LIN,Q.,ZHAO,Z.和LIU,J.S.(2019)。通过拉索进行稀疏切片反向回归。J.Amer。统计师。协会。114 1726-1739. ·兹比尔1428.62320 ·doi:10.1080/01621459.2018.1520115 [26] LIN,Q.,LI,X.,HUANG,D.和LIU,J.S.(2017)。关于高维分段逆回归的最优性·Zbl 1464.62337号 [27] Luo,R.和Qi,X.(2017)。通过信号压缩实现函数对函数线性回归。J.Amer。统计师。协会。112 690-705. ·doi:10.1080/01621459.2016.1164053 [28] LUO,R.和QI,X.(2019)。函数对函数回归的交互模型和模型选择。J.计算。图表。统计师。28 309-322. ·Zbl 07499055号 ·doi:10.1080/10618600.2018.1514310 [29] MA,Y.和ZHU,L.(2012)。降维的半参数方法。J.Amer。统计师。协会。107 168-179. ·Zbl 1261.62037号 ·doi:10.1080/016214519.2011.646925 [30] MA,Y.和ZHU,L.(2013)。在充分降维中进行有效估计。安。统计师。41 250-268. ·Zbl 1347.62089号 ·doi:10.1214/12-AOS1072 [31] MüLLER,H.-G.和YAO,F.(2008)。功能加性模型。J.Amer。统计师。协会。103 1534-1544. ·兹比尔1286.62040 ·doi:10.1198/0162145000000751 [32] Ramsay,J.O.和Silverman,B.W.(2005)。功能数据分析,第2版。统计学中的斯普林格系列纽约州施普林格·Zbl 1079.62006号 [33] Reimherr,M.、Sriperumbudur,B.和Taoufik,B.(2018年)。加性函数对函数回归的最优预测。电子。J.统计。12 4571-4601. ·Zbl 1433.62112号 ·doi:10.1214/18-EJS1505 [34] Steinwart,I.和Christmann,A.(2008年)。支持向量机纽约州施普林格·Zbl 1203.68171号 [35] SUN,X.,DU,P.,WANG,X.和MA,P.(2018)。再生核Hilbert空间框架下的最优惩罚函数对函数回归。J.Amer。统计师。协会。113 1601-1611. ·Zbl 1409.62137号 ·doi:10.1080/01621459.2017.1356320 [36] WANG,J.L.、CHIOU,J.M.和MULLER,H.G.(2016)。功能数据分析。每年。修订状态申请。3 257-295. [37] WANG,G.、LIN,N.和ZHANG,B.(2013)。功能轮廓回归。《多元分析杂志》。116 1-13. ·Zbl 1277.62119号 ·doi:10.1016/j.jmva.2012.11.005 [38] WANG,G.、ZHOU,Y.、FENG,X.-N.和ZHANG,B.(2015)。FSIR和FSAVE的混合函数有效降维方法。计算。统计师。数据分析。91 64-77. ·Zbl 1468.62205号 ·doi:10.1016/j.csda.2015.05.011 [39] 韦德曼,J.(1980)。Hilbert空间中的线性算子.数学研究生课程68.纽约-柏林斯普林格。 [40] 夏扬(2007)。一种估计降维方向的构造性方法。安。统计师。35 2654-2690. ·Zbl 1360.62196号 ·doi:10.1214/00905360700000352 [41] 夏寅、童宏、李维凯和朱丽霞(2002)。降维空间的自适应估计。J.R.统计社会服务。B.统计方法。64 363-410. ·Zbl 1091.62028号 ·doi:10.1111/1467-9868.03411 [42] 姚凤、雷毅和吴寅(2015)。有效降低稀疏函数数据的维数。生物特征102 421-437. ·Zbl 1452.62996号 ·doi:10.1093/biomet/asv006 [43] Yao,F.、Müller,H.-G.和Wang,J.-L.(2005)。纵向数据的函数线性回归分析。安。统计师。33 2873-2903. ·Zbl 1084.62096号 ·doi:10.1214/09053605000000660 [44] YIN,X.和LI,B.(2011)。基于最小平均方差估计集合的充分降维。安。统计师。39 3392-3416. ·Zbl 1246.62141号 ·doi:10.1214/11-AOS950 [45] YIN,X.,LI,B.和COOK,R.D.(2008)。连续方向提取用于估计多元回归中的中心子空间。《多元分析杂志》。99 1733-1757 ·Zbl 1144.62030号 ·doi:10.1016/j.jmva.2008.01.006 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。