张延庆;唐念生;Qu,Annie(安妮·屈) 高维区块缺失数据的估算因子回归。 (英语) Zbl 1439.62233号 统计正弦。 30,第2期,631-651(2020年). 摘要:区块式缺失数据在高维生物医学、社会、心理和环境研究中越来越常见。因此,我们需要有效的降维方法来提取重要信息,以便在此类数据下进行预测。现有的降维方法和特征组合对于处理块级缺失数据无效。我们提出了一种针对区块缺失数据的因子模型插补方法,并使用插补因子回归进行维度缩减和预测。具体来说,我们首先进行筛选以确定重要特征。然后,我们基于因子模型对这些特征进行了插补,并建立了一个因子回归模型,以根据插补的特征预测响应变量。由于模型的因子结构,该方法利用了所有观测数据的基本信息。此外,即使在块丢失比例很高的情况下,该方法仍然有效。我们表明,在正则性条件下,插补因子回归模型及其预测是一致的。我们使用模拟研究将提出的方法与现有方法进行了比较,然后将其应用于阿尔茨海默病神经成像倡议的数据。我们的数值结果证实,该方法优于现有的竞争方法。 引用于6文件 MSC公司: 62页第10页 统计学在生物学和医学中的应用;元分析 62华氏35 多元分析中的图像分析 62H25个 因子分析和主成分;对应分析 62D10号 缺少数据 关键词:阿尔茨海默病;阿尔茨海默病神经影像学倡议;分块丢失数据;数据填补;尺寸缩减;因子模型;主成分 PDF格式BibTeX公司 XML格式引用 \textit{Y.Zhang}等人,Stat.Sin。30,第2号,631--651(2020;Zbl 1439.62233) 全文: 内政部