Sparse dimension reduction for survival data
Sparse dimension reduction for survival data
复制标题
生存数据的稀疏降维
DOI：
10.1007/s00180-012-0383-4
复制
发表时间：
2013
期刊：
影响因子：
--
通讯作者：
Dixin Zhang
中科院分区：
文献类型：
--
作者：
Changrong Yan;Dixin Zhang
本文通过一种新的惩罚和梯度精化外积的组合(rOPG；Xia等人)研究了生存数据充分降维空间的估计和变量选择。在J R Stat Soc Ser B：363-410,2002)，以下称为SH-OPG。SH-OPG算法能够在穷举估计中心子空间的同时选择信息协变量；同时，在去除非信息回归变量后，估计的方向自动保持正交性。通过大量的仿真研究和实际数据分析，验证了SH-OPG的有效性。
In this paper, we study the estimation and variable selection of the sufficient dimension reduction space for survival data via a new combination ofpenalty and the refined outer product of gradient method (rOPG; Xia et al. in J R Stat Soc Ser B 64:363–410, 2002), called SH-OPG hereafter. SH-OPG can exhaustively estimate the central subspace and select the informative covariates simultaneously; Meanwhile, the estimated directions remain orthogonal automatically after dropping noninformative regressors. The efficiency of SH-OPG is verified through extensive simulation studies and real data analysis.
用于密度估计的内核数据压缩
DOI：
--
发表时间：
2006
期刊：
影响因子：
--
作者：
Atsuyuki;Kogure;Masahiko;Sagae
通讯作者：
Sagae