×

使用高斯过程先验的非参数随机效应函数回归模型。 (英语) Zbl 1464.62537号

摘要:对于具有函数响应的函数回归模型,我们提出了一个使用高斯过程先验的非参数随机效应模型。该模型以非线性方式捕获异质性,以非参数方式捕获协方差结构,从而能够对功能数据进行纵向研究。该模型还具有灵活的平均结构形式。我们开发了一个程序来估计未知参数并非参数地计算随机效应。该程序使用惩罚最小二乘回归和最大后验估计,从而获得更准确的预测。讨论了统计理论,包括信息一致性。仿真研究和两个实际数据示例表明,该方法具有良好的性能。

MSC公司:

62兰特 功能数据分析
62J05型 线性回归;混合模型
62G08号 非参数回归和分位数回归
60G15年 高斯过程
62页第10页 统计学在生物学和医学科学中的应用;元分析

软件:

fda(右)
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Cao,C.、Shi,J.Q.和Lee,Y.(2018)。人口平均数和主题特定推断的稳健函数回归模型。医学研究中的统计方法273236-3254。
[2] Cheng,Y.、Shi,J.Q.和Eyre,J.(2017)。非线性混合效应尺度函数模型和上肢运动变量选择sata.arXiv:1605.06779。
[3] Crambes,C.和Mas,A.(2013)。具有函数输出的函数线性回归中预测的渐近性。伯努利19,2627-2651·Zbl 1280.62084号
[4] Gervini,D.(2015)。功能数据的动态回顾性回归。技术计量57,26-34。
[5] Hastie,T.和Tibshirani,R.(1993年)。变系数模型。英国皇家统计学会杂志,B辑(统计方法)55,757-796·兹比尔0796.62060
[6] Kim,K.,Sent¨urk,D.和Li,R.(2011)。稀疏纵向数据的近期历史函数线性模型。统计规划与推断杂志141,1554-1566·Zbl 1204.62066号
[7] Kim,J.S.、Staicu,A.M.、Maity,A.、Raymond,J.、Carroll,R.J.和Ruppert,D.(2018年)。加性函数对函数回归。计算与图形统计杂志27,234-244·Zbl 07498981号
[8] Luo,R.和Qi,X.(2017)。通过信号压缩实现函数对函数线性回归。《美国统计协会杂志》112,690-705。
[9] Malfait,N.和Ramsay,J.O.(2003年)。历史函数线性模型。加拿大统计杂志31,115-128·Zbl 1039.62035号
[10] Meyer,M.J.、Coull,B.A.、Versace,F.、Cinciripini,P.和Morris,J.S.(2015)。多级函数数据的贝叶斯函数对函数回归。生物统计学71,563-574·Zbl 1419.62408号
[11] M¨uller,H.G.和Yao,F.(2008)。函数加法模型。《美国统计协会杂志》103,1534-1544·Zbl 1286.62040号
[12] Ramsay,J.O.和Dalzell,C.(1991)。一些用于功能数据分析的工具。英国皇家统计学会杂志。B系列(统计方法)53,539-572·Zbl 0800.62314号
[13] Ramsay,J.O.、Hooker,G.和Graves,S.(2010年)。使用R和Matlab进行功能数据分析。纽约州施普林格·Zbl 1179.62006号
[14] Ramsay,J.O.和Silverman,B.W.(2005)。功能数据分析。第2版。纽约州施普林格·Zbl 1079.62006号
[15] Rao,J.N.(2003)。小面积估算。纽约威利·Zbl 1403.62022号
[16] Rasmussen,C.E.和Williams,C.K.I.(2006)。机器学习的高斯过程。麻省理工学院出版社,马萨诸塞州剑桥·兹比尔1177.68165
[17] Robinson,G.K.(1991)。这种虚张声势是一件好事:对随机效应的估计。《统计科学》6,15-32·兹比尔0955.62500
[18] Scheipl,F.、Staicu,A.M.和Greven,S.(2015)。函数加法混合模型。计算与图形统计杂志24477-501·Zbl 1430.62082号
[19] Seeger,M.W.、Kakade,S.M.和Foster,D.P.(2008)。非参数高斯过程方法的信息一致性。IEEE信息理论汇刊54,2376-2382·Zbl 1328.94027号
[20] Serradiala,J.、Shi,J.,Cheng,Y.、Morgan,G.、Lambden,C.和Eyre,J.(2014)。动作视频游戏、马戏团挑战游戏中上肢功能的自动评估:有效性和变化敏感性。严肃游戏与健康应用(SeGAH),1-7。
[21] Shi,J.、Cheng,Y.、Serradiala,J.,Morgan,G.、Lambden,C.、Gary,A.、Christopher,P.、Helen,R.、Cassidy,T.、Rochester,L.和Eyre,J.(2013年)。使用视频游戏数据评估中风后上肢的功能能力。大脑与健康信息8211,181-192。
[22] Shi,J.和Choi,T.(2011)。函数数据的高斯过程回归分析。查普曼和霍尔,伦敦·Zbl 1273.60005号
[23] Shi,J.、Wang,B.、Murray-Smith,R.和Titterington,D.M.(2007)。批量数据的高斯过程函数回归建模。生物计量学63114-723·Zbl 1128.62053号
[24] Shi,J.Q.,Wang,B.,Will,E.J.和West,R.M.(2012)。混合效应GPFR模型及其在剂量-反应曲线预测中的应用。医学统计313165-77。
[25] Sun,X.,Du,P.,Wang,X.和Ma,P..(2018)。再生核希尔伯特空间框架下的最优惩罚函数对函数回归。美国统计协会杂志113,1601-1611·Zbl 1409.62137号
[26] Wang,B.和Shi,J.(2014)。非高斯函数数据的广义高斯过程回归模型。《美国统计协会杂志》1091123-1133·Zbl 1368.62101号
[27] Wang,Z.、Shi,J.和Lee,Y.(2017)。扩展的T过程回归模型。《统计规划与推断杂志》189,38-60·Zbl 1376.62026号
[28] Yao,F.、M¨uller,H.G.和Wang,J.L.(2005a)。纵向数据的函数线性回归分析。统计年鉴332873-2903·Zbl 1084.62096号
[29] Yao,F.、Müuller,H.G.和Wang,J.L.(2005年b)。稀疏纵向数据的功能数据分析。《美国统计协会杂志》100,577-590·Zbl 1117.62451号
[30] Yuan,M.和Cai,T.(2010)。函数线性回归的再生核Hilbert sapce方法。《统计年鉴》38,3412-3444·Zbl 1204.62074号
[31] 王占峰
[32] 理工大学管理学院统计与金融系
[33] 中国科技,中国合肥。
[34] 电子邮件:zfw@ustc.edu.cn
[35] 郝丁
[36] 理工大学管理学院统计与金融系
[37] 78WANG等人。
[38] 中国科技,中国合肥。
[39] 电子邮件:dinghao@ustc.edu.cn
[40] 陈子木
[41] 理工大学管理学院统计与金融系
[42] 中国科技,中国合肥。
[43] 电子邮件:zmchen@mail.ustc.edu.cn
[44] 建清石
[45] 英国纽卡斯尔纽卡斯尔大学数学与统计学院。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。