肖，珍;张琪 基于稀疏切片逆回归的块缺失数据降维。 （英语） Zbl 07464455号 计算。统计数据分析。 167，文章ID 107348，17 p.（2022）. 摘要：由于大数据时代对数据压缩的要求很高，高效降维已成为近年来统计研究的热点。降维的一个特殊挑战是块缺失问题，这在多模态数据中很常见。切片逆回归作为一种经典方法，通常无法处理数据缺失问题。本文提出了带弹性网的凸稀疏切片逆回归模型，该模型同时进行中心子空间估计和变量选择。这种方法可以直接应用于无需插补的区块缺失数据。相应地，提出了乘法器法的调整线性化交替方向算法（调整L-ADMM）。研究了其渐近性质。数值结果表明，在高维情况下，我们的方法能够有效且稳健地识别重要的协变量。 引用于1文件 MSC公司： 62至XX 统计 关键词：充分降维;稀疏切片逆回归;凸优化;无块数据;调整后的L-ADMM 软件：GADMM公司 PDF格式BibTeX公司 XML格式引用 \textit{Z.Xiao}和\textit{Q.Zhang}，计算。统计数据分析。167，文章ID 107348，第17页（2022；Zbl 07446455） 全文： 内政部 参考文献： [1] 蔡J.-F。；坎迪斯，E.J。；Shen，Z.，矩阵补全的奇异值阈值算法，SIAM J.Optim。，20, 4, 1956-1982 (2010) ·Zbl 1201.90155号 [2] 蔡，T。；Cai，T.T。；Zhang，A.，《结构化矩阵完成及其在基因组数据集成中的应用》，美国统计协会，111，514，621-633（2016） [3] 陈，X。；邹，C。；Cook，R.D.，坐标相关稀疏充分降维和变量选择，《Ann.Stat.》，38，6，3696-3723（2010）·Zbl 1204.62107号 [4] 库克，R.D.，《关于回归图的解释》，《美国统计协会期刊》，第89、425、177-189页（1994年）·Zbl 0791.62066号 [5] 范，J。；Li，R.，通过非洞穴惩罚似然的变量选择及其预言性质，J.Am.Stat.Assoc.，964561348-1360（2001）·Zbl 1073.62547号 [6] 方，E.X。；他，B。；刘，H。；袁，X.，乘数的广义交替方向法：新的理论见解和应用，数学。程序。计算。，7, 2, 149-187 (2015) ·Zbl 1353.90110号 [7] 江，B。；Liu，J.S.，通过切片反向回归选择一般指数模型的变量，Ann.Stat.，42，5，1751-1786（2014）·兹比尔1305.62234 [8] O.莱多特。；Wolf，M.，《大维协方差矩阵的良好条件估计》，J.Multivar。分析。，88, 365-411 (2004) ·Zbl 1032.62050 [9] Li，K.-C.，《降维切片逆回归》，美国统计协会，86，414，316-327（1991）·Zbl 0742.62044号 [10] 李，L。；Yin，X.，带正则化的切片逆回归，生物统计学，64，1，124-131（2008）·Zbl 1139.62055号 [11] 林，Q。；赵，Z。；Liu，J.S.，《关于高维切片逆回归的一致性和稀疏性》，《Ann.Stat.》，46，2，580-610（2018）·Zbl 1395.62196号 [12] 林，Q。；赵，Z。；Liu，J.S.，《通过拉索进行稀疏切片反向回归》，J.Am.Stat.Assoc.，114，528，1726-1739（2019）·Zbl 1428.62320号 [13] 马云（Ma，Y.）。；Zhu，L.，《降维综述》，《国际统计评论》，第81、1、134-150页（2013年）·Zbl 1416.62220号 [14] Tan，K.M。；Wang，Z。；张，T。；刘，H。；Cook，R.D.，高维稀疏切片逆回归的凸公式，Biometrika，105，4，769-782（2018）·Zbl 1506.62285号 [15] Tibshirani，R.，《通过套索进行回归收缩和选择》，J.R.Stat.Soc.，Ser。B、 卫理公会。，58267-288（1996年）·Zbl 0850.62538号 [16] Wang，T。；陈，M。；赵，H。；朱磊，估计高维一般回归的稀疏约简，统计计算。，28, 1, 33-46 (2018) ·Zbl 1384.62141号 [17] 吴，Y。；Li，L.，具有发散预测数的充分降维的渐近性质，Stat.Sin。，2011, 21, 707 (2011) ·Zbl 1214.62064号 [18] Yin，X.，回归中的充分降维，（高维数据分析（2011），世界科学出版社），257-273 [19] 尹，X。；Hilafu，H.，大p，小n问题的序贯充分降维，J.R.Stat.Soc.，Ser。B、 统计方法。，77,4879-892（2015）·Zbl 1414.62194号 [20] Yu，G。；李强。；沈，D。；Liu，Y.，无插补的块缺失多模态数据的最优稀疏线性预测，美国统计协会，115，531，1406-1419（2020）·Zbl 1441.62190号 [21] 于，Z。；朱，L。；彭，H。；Zhu，L.，半参数模型中的降维和预测因子选择，Biometrika，100,3641-654（2013）·Zbl 1284.62271号 [22] 袁，L。；Wang，Y。；汤普森，P.M。；Narayan，V.A。；叶，J。；Initiative，A.D.N.，用于联合分析不完整的多重异质性神经成像数据的多源特征学习，NeuroImage，61，3622-632（2012） [23] Zhang，C.-H.，最小最大凹惩罚下的几乎无偏变量选择，《美国统计年鉴》，38，2，894-942（2010）·Zbl 1183.62120号 [24] 朱，L。；苗，B。；Peng，H.，《关于高维协变量的分层逆回归》，美国统计协会，101，474，630-643（2006）·Zbl 1119.62331号 [25] 邹，H。；Hastie，T.，《通过弹性网进行正则化和变量选择》，J.R.Stat.Soc.，Ser。B、 统计方法。，67, 2, 301-320 (2005) ·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。