函数型数据回归分析综述

随着计算机储存能力和在线观测技术的提高,当今数据越来越多的以曲线和图像的形式存在.曲线和图像数据两个最显著的特征是高维和相邻数据间高度相关.这些特征使得传统的多元统计分析方法不再适合,而函数型数据在处理曲线和图像数据中具有无可比拟的优势.近年来各种各样的函数型数据分析方法得以发展,其中包括数据的对齐、主成分分析、回归、分类、聚类等.本文主要介绍函数型数据回归分析研究的起源、发展及最新进展.具体地,本文首先介绍函数型数据的概念;其次介绍函数型主成分分析方法;再次着重介绍函数型回归模型的估计、变量选择和检验方法;最后将简要探讨函数型数据未来的可能发展方向.     

基于AIC准则的函数型数据主成分联合选择研究

函数型主成分分析(Functional Principal Component Analysis,FPCA)是对函数型数据进行降维的常用技术,本文将考虑函数型数据的主成分联合选择问题。首先,本文给出了两函数型变量的主成分联合模型,并通过基函数展开法和极大惩罚似然法对样本数据进行曲线平滑。在联合模型基础上,本文给出了确定函数型主成分个数的AIC准则,并提出了改进的ECME算法对模型参数进行估计。模拟显示AIC准则对应的主成分个数选择结果准确率更高,考虑两函数型数据之间相关信息的联合选择效果会比对各函数型数据主成分进行独立选择的结果有所提升。最后,本文将所提方法应用于老年人中医宗气数据的分析。     

部分函数型线性空间自回归模型的假设检验

本文提出了部分函数型线性空间自回归模型的空间效应以及参数效应的假设检验问题.首先利用函数型主成分分析方法估计斜率函数,利用广义矩估计方法估计参数.然后利用得到的相合估计,在原假设和备择假设下,构造了基于残差平方和的检验统计量,同时给出了此检验统计量的渐近性质.模拟结果表明在有限样本下,检验统计量具有良好表现.最后将部分函数型线性空间自回归模型的检验应用到一个关于经济增长的数据案例中,说明所提出的检验统计量的应用表现.     

函数型聚类分析方法研究

基于距离度量的函数型数据聚类是目前函数型聚类分析方法的主要研究方向之一,而该方法主要是基于数值距离或曲线形态的单一角度来衡量函数型数据的相似性.为了解决这种单一性,提出一种同时兼顾函数型数据的数值距离和曲线形态的相似性度量方法—基于极值点偏差补偿的相似性度量,并给出实证分析,结果显示该方法比较有效.进一步提出一种多元函数型聚类分析方法—函数型熵权法,丰富了函数型聚类分析方法.     

稀疏函数型回归模型变量选择及实证分析

传统函数型回归模型变量选择方法,忽略了对稀疏函数型数据的讨论.提出了稀疏函数型数据情形下函数型回归模型的变量选择方法,基于条件期望对稀疏函数型自变量进行函数型主成分分析,并以估计的正交特征函数作为基函数对模型进行展开.这种方法可以有效解决对稀疏函数型变量的选择.作为实证分析,选取2002年到2011年全国34个气象观测站的年降水量,月度平均气温,光照时长,湿度,最高气温和最低气温数据,分别比较讨论了密集和稀疏情形下,原始样本和Bootstrap样本的函数型回归模型变量选择的结果,结果显示新方法具有较好的选择效果.     

广义函数型部分变系数混合模型的估计

将广义变系数回归模型与广义函数型线性回归模型相结合,提出了一种新的模型——广义函数型部分变系数混合模型.基于函数型主成分基和B-样条基的方法,通过最大化拟似然函数得到了未知函数的估计,并在一定的正则条件下得到了各估计量的收敛速度及预测精度.通过数值模拟展现了模型的可行性和优越性,最后将所建模型应用到Tecator数据说...     

基于自适应权重的函数型数据聚类方法研究

基于有限维离散数据的传统聚类分析并不能直接用于函数型数据的分类挖掘。本文针对函数型数据的稀疏性和无穷维特殊性展开讨论,在综合剖析现有函数型聚类方法优势与不足的基础上,依据聚类指标的信息量差异重构加权主成分距离为函数相似性测度,提出了一种函数型数据的自适应权重聚类分析。相对同类函数型聚类算法,新方法的核心优势在于:(1)自适应赋权的距离函数体现了聚类指标分类效率的差异,并且有充分的理论基础保证其必要性和客观合理性;(2)基于有限维离散数据的聚类实现了无限维连续函数的聚类,能够显著降低计算成本。实证检验表明,新方法的分类正确率明显提高,能够有效解决传统聚类算法极端情形下的失效问题,有着复杂函数型数据分类问题下的灵活性和普遍适用性。     

一种函数型数据的聚类分析方法

分析了函数型数据主成分分析的原理。在此基础上,提出了一种函数型数据的聚类分析方法,以及在低维空间对原始高维数据进行直观表达的方法。给出了函数型数据的距离定义,并分析了这种距离的定义与欧氏距离的关系。提出函数型数据聚类分析的新方法:1)通过变换把离散数据转化为函数数据;2)进行函数型主成分分析;3)利用提取的前几个主成分构成低维空间,在该低维空间中,采用普通的聚类方法进行聚类分析。采用人体肢体多普勒超声血管造影的数据对所提出的方法的合理性进行验证。结果表明该方法可以有效地对函数型数据进行分类,分类结果与专家临床结论相符,因而有助于临床上对样本做客观判断。该方法不依赖专家的经验判断,且计算过程简便,易于计算机实现及临床应用。     

函数型空间自回归模型的贝叶斯估计

函数型数据广泛地存在于社会的各个领域, 函数型数据分析也成为越来越热的统计研究方向. 经典的函数型回归模型一般假设响应变量是一个独立变量, 而在经济学, 环境科学等领域会经常遇到响应变量具有空间相依关系. 因此针对带有空间响应变量的部分函数型空间自回归模型, 基于函数型主成分分析和MCMC算法研究了模型的贝叶斯估计. 运用■表示定理来逼近函数型系数的思想, 以及应用Gibbs抽样和Metropolis-Hastings算法相结合的混合MCMC算法来获得模型中未知参数和函数型系数的贝叶斯估计结果. 最后通过模拟研究和对加拿大气温数据的实证分析来表明所提出的贝叶斯估计方法是可行有效的.     

响应变量删失时函数型部分线性分位数回归模型的估计

最近几年,函数型数据分析的理论和应用飞速发展.在许多实际应用里,响应变量往往存在随机右删失的情况.考虑利用函数型部分线性分位数回归模型来刻画函数型和标量预测量与右删失响应变量之间的关系.基于函数型主成分基函数来逼近未知的斜率函数,通过极小化逆概率加权分位数损失函数得到未知系数的估计量.文章的估计方法容易通过加权分位数回归程序实现.在一定的假设条件下,给出了有限维参数估计量的渐近正态性与斜率函数估计量的收敛速度.最后,通过模拟计算与应用实例证明了所提方法的有效性.     

具有高斯过程误差的函数型线性模型的统计诊断

提出了具有高斯过程误差的函数型回归模型的几种诊断方法.在此模型中,首先,在样条基的基础上,推导了回归系数函数的估计.随后,证明了数据删失模型和均值漂移模型的等价性.然后,研究了三种诊断方法,即残差分析、Cook距离和似然距离来诊断异常和强影响数据.最后,通过一个模拟例子和一个实例来阐述方法的有效性.     

灰色聚类白化函数探析

为进一步探析各类白化函数对综合评价结果的影响,先构建经典三角、修正三角1、修正三角2、经典聚类和指数型这五种不同类型的白化函数,再分别应用单一型数据、混合型数据、单指标单调型数据和跳跃型数据对这五种白化函数进行比较验证.结果显示两端等级的白化函数、零权重问题和等级区间宽度对综合评价结果影响较大.     

函数型部分线性复合分位数回归模型的估计（英文）

本文研究函数型部分线性复合分位数回归模型的估计问题.我们采用函数型主成分分析方法分析斜率函数,回归样条逼近非参数函数.在相当宽松的条件下给出斜率函数和非参数函数的收敛速度.最后通过理论模拟和实例分析来评价我们提出的方法.     

函数型二次模型的假设检验

本文研究了函数型二次回归中二次参数函数的显著性检验问题。采用函数型主成分分析将预测变量函数进行投影降维,利用零模型和全模型的残差平方和构造F型检验统计量。在一定的正则条件下证明了检验统计量在原假设下渐近于F分布,在备择假设下检验统计量依概率趋于无穷,从而表明该检验方法是相合的。进一步证明了在一定收敛速度的局部备择假设下,检验统计量渐近于非中心F分布。最后通过数值模拟研究了该检验方法在有限样本下的表现,并给出了一个实际例子进一步验证所提方法的有效性。     

基于正弦型光滑打磨函数对0-1规划问题的连续化求解方法

传统的求解0-1规划问题方法大多属于直接离散的解法.现提出一个包含严格转换和近似逼近三个步骤的连续化解法:(1)借助阶跃函数把0-1离散变量转化为[0,1]区间上的连续变量;(2)对目标函数采用逼近折中阶跃函数近光滑打磨函数,约束条件采用线性打磨函数逼近折中阶跃函数,把0-1规划问题由离散问题转化为连续优化模型;(3)利用高阶光滑的解法求解优化模型.该方法打破了特定求解方法仅适用于特定类型0-1规划问题惯例,使求解0-1规划问题的方法更加一般化.在具体求解时,采用正弦型光滑打磨函数来逼近折中阶跃函数,计算效果很好.     

非线性二维主成分分析方法

提出一种矩阵数据的非线性压缩方法 非线性二维主成分分析方法.该方法在二维主成分分析的基础上,通过引入激活函数对投影后数据进行变换,从而使算法压缩性能得以提升;同时,该方法可以从网络模型角度获得直观解释,它通过在特定位置引入形变子层以改变压缩方向,最终实现对矩阵数据两个维度的同时非线性压缩;最后,设计了该模型的"形变反向...     

联系着广义gamma函数的Raabe型积分

通过渐近公式与分析方法计算了若干联系着广义gamma函数的Raabe型积分.     

相依稳健t过程函数型ANOVA模型

随着数据的多元化和复杂化,函数型ANOVA模型已经被越来越多的学者研究并应用到各行各业.为了减弱模型对于离群值的敏感度,本文对于相依的多元响应变量提出了一种相依稳健t过程函数型ANOVA模型.为了刻画变量之间的相依性和保证协方差函数的正定性,本文引入了随机效应变量和卷积方法构造了一个协方差函数.另外,模型中引入了随机效应函数去描述研究对象的个体特征.统计性质,例如稳健性和信息相合性在本文中也得到了相应的研究,并通过数值模拟和实例分析来验证此模型的可行性.     

函数型部分线性乘积模型的B-样条估计

本文研究了函数型部分线性乘积模型,该模型可用于响应变量为正数的函数型数据的统计建模问题,经过对数变换后模型转化为函数型部分线性模型.基于B-样条,通过极小化最小一乘相对误差(LARE)和最小乘积相对误差(LPRE),分别给出模型的LARE估计和LPRE估计,其中B-样条基的维数利用Schwarz信息准则选取.对两种估计方法分别给出斜率函数估计的相合性和参数部分估计的渐近正态性,并且证明了斜率函数的收敛率达到了非参数函数估计的最优速率.蒙特卡洛模拟用来比较所提出的方法与最小一乘(LAD)估计和最小二乘(LS)估计在不同误差分布下的有限样本性质,模拟结果表明所提方法是有效和实用的.最后通过一个实际数据分析的例子来说明模型的应用.     

部分线性函数多项式模型的联合探测北大核心CSCD

本文提出了一个新的部分线性函数多项式回归模型,该模型中响应变量依赖于一个p阶函数多项式和一些非函数型数据的协变量．函数多项式模型、函数线性模型和部分函数线性模型是该模型的特殊情形．本文提出了一个模型探测方法,它能同时探测部分线性函数多项式回归模型中哪些阶是重要的以及哪些非函数型变量是重要的．提出的方法能相合地识别真实的模型并有好的预测表现．数值模拟能清晰地证实我们的理论结果．