基于包络模型的函数回归偏最小二乘法:理论拓展与应用创新

《Journal of Multivariate Analysis》:Envelope-based partial least squares in functional regression

【字体: 大 中 小 】 时间:2025年12月30日 来源:Journal of Multivariate Analysis 1.7

编辑推荐:

  本文系统阐述了函数型偏最小二乘(PLS)在包络模型框架下的理论拓展与方法创新。作者提出了函数型包络偏最小二乘(FEPLS)和广义函数型包络偏最小二乘(GFEPLS)两种新方法,建立了根号n(√n)一致性和渐近正态性等理论性质,填补了函数型PLS缺乏可证明理论保证的研究空白。通过模拟研究和实际数据分析,验证了该方法在预测精度和降维性能上的优越表现。

  
Section snippets
Review of multivariate PLS and envelopes
本节简要回顾了多元设置中的预测变量包络及其与偏最小二乘的联系。考虑多元线性模型Y = α + βX + ε,其中预测变量包络被证明是PLS的基本目标。包络模型与PLS的这种联系使得在传统Fisher框架内推导PLS的可处理理论性质成为可能。
Notations and definitions
本节介绍了全文使用的符号和定义。L2[a,b]表示区间[a,b]上所有L2可积函数的集合,构成一个可分的希尔伯特(Hilbert)空间。使用H表示一般的希尔伯特空间,〈·,·〉H表示其内积,‖·‖H表示由内积诱导的范数。
Functional predictor envelope linear model
考虑具有p个预测变量的函数线性模型的一般框架:Y = α + Σi=1pBiXi(·) + ε。其中Bi∈ B(HXi, HY)是紧算子。该模型为后续推导函数型预测变量包络模型奠定了基础。
Generalized functional envelope linear model
基于前述方法学基础,本节将框架扩展到更灵活的设置——广义函数线性模型(GFLM),该模型允许更广泛的响应分布,同时保持根号n(√n)一致性。
Simulation study
本节通过模拟研究展示FEPLS和GFEPLS估计量在预测精度上相较于现有先进方法的潜在优势。考虑了函数响应和分类响应两种场景。
Data analysis
本节在两个真实世界场景中研究我们的方法与竞争方法的性能,再次检验了函数响应和分类响应的情况。
Discussion
本文首次将基于包络的PLS从多元设置扩展到函数设置。在稀疏结构下,证明了所提估计量的根号n(√n)一致性,为构建逐点渐近置信区间和预测区间铺平了道路。此外,我们在广义函数线性回归设置中开发了函数包络PLS,并证明了其根号n(√n)一致性,可用于分类问题。据我们所知,GFEPLS是...
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号