×
马海强;刘超;徐生;杨，金

泛函偏线性回归模型的子群分析。 （英语。法语摘要） Zbl 07759544号

可以。J.统计。 51，编号2，559-579（2023）.
摘要：在函数偏线性回归（FPLR）模型中，其中响应变量是标量，而解释变量既涉及无限维函数预测因子，也涉及有限维标量协变量，通常假设所有受试者的反应与解释变量之间的关系都是相同的。本文放宽了这一假设，并考虑了FPLR模型的子组分析，该模型允许不同的子组从异构总体中进行不同的截取。通过将函数预测器投影到相应的特征空间，基于FPLR模型的子群分析可以简化为类似于经典子群分析问题的框架。为了自动识别观测值中的子群并估计感兴趣的回归参数，我们将函数主成分分析与凹成对惩罚方法相结合，开发了一种用于函数子群分析的ADMM算法。我们还建立了在温和条件下所提出估计量的一致性。仿真实验表明，凹惩罚子群方法可能比普通FPLR模型获得更大的收益。通过对创造性成果研究数据的分析，说明了FPLR模型的子群分析的实际性能。
{©2022加拿大统计学会}

MSC公司：

62至XX 统计

关键词：

凹形惩罚方法;功能主成分分析;函数部分线性模型;异质性;亚组分析

软件：

fda（右）
PDF格式BibTeX公司 XML格式引用
\textit{H.Ma}等人，加拿大。J.Stat.51，No.2，559--579（2023；Zbl 07759544）
全文： 内政部

参考文献：

[1] Boyd，S.、Parikh，N.、Chu，E.、Peleato，B.和Eckstein，J.（2011年）。通过交替方向乘数法进行分布式优化和统计学习。机器学习的基础和趋势，3（1），1-122·Zbl 1229.90122号
[2] Cardot，H.、Ferraty，F.和Sarda，P.（2003）。函数线性模型的样条估计。《中国统计》，13（3），571-591·Zbl 1050.62041号
[3] Chen，Q.，Yang，W.，Li，W.、Wei，D.、Li，H.、Lei，Q.、Zhang，Q.和Qiu，J.（2014）。通过基于体素的形态计量学和静息状态功能连通性联合研究，将创造性成就与认知灵活性联系起来。《神经影像》，102（2），474-483。
[4] Crambes，C.、Kneip，A.和Sarda，P.（2009年）。函数线性回归的平滑样条估计。《统计年鉴》，37（1），35-72·Zbl 1169.62027号
[5] 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（456），1348-1360·Zbl 1073.62547号
[6] Hall，P.&Horowitz，J.L.（2007）。函数线性回归的方法和收敛速度。《统计年鉴》，35（1），70-91·兹比尔1114.62048
[7] Horváth，L.&Kokoszka，P.（2012）。功能数据推理与应用，纽约斯普林格·Zbl 1279.62017号
[8] Kong，D.，Xue，K.，Yao，F.，&Zhang，H.H.（2016）。高维部分函数线性回归。《生物特征》，103（1），147-159·1452.62500兹罗提
[9] Li，Y.&Hsing，T.（2010）。函数/纵向数据中非参数回归和主成分分析的一致收敛速度。《统计年鉴》，38（6），3321-3351·Zbl 1204.62067号
[10] Lin，Z.和Yao，F.（2021）。带有污染的歧管上的功能回归。Biometrika，108（1），167-181·Zbl 1462.62771号
[11] Ma，H.，Li，T.，朱，H.和朱，Z.（2019）。超高维函数部分线性模型的分位数回归。计算统计与数据分析，129135-147·兹比尔1469.62114
[12] Ma，S.&Huang，J.（2017）。用于子群分析的凹成对融合方法。美国统计协会杂志，112（517），410-423。
[13] McNicholas，P.D.（2010年）。使用潜在高斯混合模型的基于模型的分类。《统计规划与推断杂志》，140（5），1175-1181·Zbl 1181.62095号
[14] Peterson，A.&Müller，H.‐G。（2016年）。通过转换到希尔伯特空间对密度函数进行函数数据分析。《统计年鉴》，44（1），183-218·Zbl 1331.62203号
[15] Ramsay，J.和Silverman，B.（2005年）。功能数据分析，纽约斯普林格·Zbl 1079.62006号
[16] Shen，J.&He，X.（2015）。使用结构化logistic‐normal混合模型进行分组分析的推断。美国统计协会杂志，110（509），303-312·Zbl 1373.62078号
[17] Shin，H.（2009）。部分函数线性回归。《统计规划与推断杂志》，139（10），3405-3418·兹比尔1168.62358
[18] Silverman，B.W.（1996）。通过选择范数平滑函数主成分分析。《统计年鉴》，24（1），1-24·Zbl 0853.62044号
[19] Tang，Q.和Cheng，L.（2014）。部分函数线性分位数回归。科学中国数学，57（12），2589-2608·Zbl 1308.62086号
[20] Wang，H.，Li，R.和Tsai，C.-H。(2007). 调整平滑剪裁绝对偏差方法的参数选择器。《生物特征》，94（3），553-568·Zbl 1135.62058号
[21] Wei，S.&Kosorok，M.R.（2013）。潜在的监督学习。《美国统计协会杂志》，108（503），957-970·Zbl 06224979号
[22] Yao，F.、Fu，Y.和Lee，T.（2011）。函数混合回归。生物统计学，12（2），341-353·Zbl 1437.62665号
[23] Yao，F.、Müller，H.‐G.和王，J.‐L。（2005年a）。稀疏纵向数据的功能数据分析。美国统计协会杂志，100577-590·Zbl 1117.62451号
[24] Yao，F.、Müller，H.‐G.和王，J.‐L。（2005年b）。纵向数据的函数线性回归分析。《统计年鉴》，33（6），2873-2903·Zbl 1084.62096号
[25] Yao，F.、Sue‐Chee，S.和Wang，F.（2017年）。正则部分函数分位数回归。多元分析杂志，156，39-56·Zbl 1369.62083号
[26] Yu，D.、Kong，L.和Mizera，I.（2016）。神经影像数据分析的部分函数线性分位数回归。神经计算，195，74-87。
[27] Zhang，C.‐H。(2010). 极小极大凹惩罚下的几乎无偏变量选择。《统计年鉴》，38（2），894-942·Zbl 1183.62120号
[28] Zhang，Y.、Wang，H.和Zhu，Z.（2019）。稳健的子群识别。《中国统计》，291873-1889·Zbl 1432.62194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。