Penalized nonparametric scalar-on-function regression via principal coordinates.
Penalized nonparametric scalar-on-function regression via principal coordinates.
复制标题
DOI：
10.1080/10618600.2016.1217227
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Hua WY
中科院分区：
文献类型：
--
作者：
Reiss PT;Miller DL;Wu PS;Hua WY
一些非参数回归的经典方法最近被扩展到函数预测的情况。本文介绍了一种新方法，将中秩惩罚平滑扩展到函数上标量回归。在我们提出的方法中，我们称之为主坐标脊回归，在应用脊惩罚的同时，对由功能预测因子之间的相关距离定义的主坐标的响应进行回归。我们的公开实现，基于广义的可加性建模软件，允许快速优化调整参数选择，并扩展到多个功能预测器，指数族值响应和混合效应模型。在签名验证数据的应用中，使用动态时间翘曲距离来定义主坐标的主坐标脊回归优于泛函广义线性模型。
A number of classical approaches to nonparametric regression have recently been extended to the case of functional predictors. This paper introduces a new method of this type, which extends intermediate-rank penalized smoothing to scalar-on-function regression. In the proposed method, which we call principal coordinate ridge regression, one regresses the response on leading principal coordinates defined by a relevant distance among the functional predictors, while applying a ridge penalty. Our publicly available implementation, based on generalized additive modeling software, allows for fast optimal tuning parameter selection and for extensions to multiple functional predictors, exponential family-valued responses, and mixed-effects models. In an application to signature verification data, principal coordinate ridge regression, with dynamic time warping distance used to define the principal coordinates, is shown to outperform a functional generalized linear model.
登录
查看更多内容
影响因子：
5.7
作者：
Eilers, PHC;Marx, BD
通讯作者：
Marx, BD
影响因子：
1.3
作者：
Boj, Eva;Caballe, Adria;Fortiana, Josep
通讯作者：
Fortiana, Josep
影响因子：
4.5
作者：
Chen, Dong;Mueller, Hans-Georg
通讯作者：
Mueller, Hans-Georg
DOI：
10.1080/10618600.2012.672097
发表时间：
2012-06-01
影响因子：
2.4
作者：
Faraway, Julian J.
通讯作者：
Faraway, Julian J.
影响因子：
0.8
作者：
Cardot, H;Ferraty, F;Sarda, P
通讯作者：
Sarda, P