Independent Nonlinear Component Analysis
Independent Nonlinear Component Analysis
复制标题
独立非线性分量分析
DOI：
10.1080/01621459.2021.1990768
复制
发表时间：
2021
影响因子：
3.7
通讯作者：
Schennach, Susanne
中科院分区：
文献类型：
--
作者：
Gunsilius, Florian;Schennach, Susanne
用少数“因素”或“主成分”来概括大量变量所包含的信息的想法在统计学中已被广泛采用。本文介绍了一个推广的广泛使用的主成分分析（PCA）的非线性设置，从而提供了一个新的工具，降维和探索性的数据分析或表示。该方法的显着特点包括（i）始终提供真正独立的能力（而不仅仅是不相关的）因素;（ii）使用最佳运输理论和Brenier地图，以获得一个强大的和有效的计算算法;（iii）使用新的多元加性熵分解来确定信息量最大的主要非线性分量，以及（iv）形式上嵌套PCA作为线性高斯因子模型的特殊情况。我们说明了该方法的有效性，在应用程序中的超额债券收益率预测从大量的宏观因素。本文的补充材料可在网上查阅。
The idea of summarizing the information contained in a large number of variables by a small number of “factors” or “principal components” has been broadly adopted in statistics. This article introduces a generalization of the widely used principal component analysis (PCA) to nonlinear settings, thus providing a new tool for dimension reduction and exploratory data analysis or representation. The distinguishing features of the method include (i) the ability to always deliver truly independent (instead of merely uncorrelated) factors; (ii) the use of optimal transport theory and Brenier maps to obtain a robust and efficient computational algorithm; (iii) the use of a new multivariate additive entropy decomposition to determine the most informative principal nonlinear components, and (iv) formally nesting PCA as a special case for linear Gaussian factor models. We illustrate the method’s effectiveness in an application to excess bond returns prediction from a large number of macro factors. Supplementary materials for this article are available online.
登录
查看更多内容
线性时间勒让德变换比快速勒让德变换更快
影响因子：
2.1
作者：
Y. Lucet
通讯作者：
Y. Lucet
论BRENIER图势的收敛率
影响因子：
0.8
作者：
F. Gunsilius
通讯作者：
F. Gunsilius
DOI：
--
发表时间：
1997
期刊：
影响因子：
--
作者：
DemartinesP.;HeraultJ.
通讯作者：
HeraultJ.
关于任意表示系统中对数应变张量的解释
DOI：
--
发表时间：
2014
期刊：
影响因子：
--
作者：
M. Latorre;F. Montáns
通讯作者：
F. Montáns
通过模拟进行熵潜变量积分
影响因子：
6.1
作者：
Susanne M. Schennach
通讯作者：
Susanne M. Schennach