• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neurocomputing >Partial functional linear quantile regression for neuroimaging data analysis
【24h】

Partial functional linear quantile regression for neuroimaging data analysis

机译：用于神经影像数据分析的部分函数线性分位数回归

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose a prediction procedure for the functional linear quantile regression model by using partial quantile covariance techniques and develop a simple partial quantile regression (SIMPQR) algorithm to efficiently extract partial quantile regression (PQR), basis for estimating functional coefficients. We further extend our partial quantile covariance techniques to functional composite quantile regression (CQR) defining partial composite quantile covariance. There are three major contributions. (1) We define partial quantile covariance between two scalar variables through linear quantile regression. We compute PQR basis by sequentially maximizing the partial quantile covariance between the response and projections of functional covariates. (2) In order to efficiently extract PQR basis, we develop a SIMPQR algorithm analog to simple partial least squares (SIMPLS). (3) Under the homoscedasticity assumption, we extend our techniques to partial composite quantile covariance and use it to find the partial composite quantile regression (PCQR) basis. The SIMPQR algorithm is then modified to obtain the SIMPCQR algorithm. Two simulation studies show the superiority of our proposed methods. Two real data from ADHD-200 sample and ADNI are analyzed using our proposed methods. Crown Copyright (C) 2016 Published by Elsevier B.V. All rights reserved.
机译：我们提出了使用部分分位数协方差技术的功能线性分位数回归模型的预测程序，并开发了一种简单的部分分位数回归（SIMPQR）算法，可以有效地提取部分分位数回归（PQR），作为估算功能系数的基础。我们进一步将部分分位数协方差技术扩展到定义部分复合分位数协方差的功能复合分位数回归（CQR）。有三大贡献。 （1）我们通过线性分位数回归来定义两个标量变量之间的部分分位数协方差。我们通过依次最大化响应和函数协变量的投影之间的部分分位数协方差来计算PQR基础。 （2）为了有效地提取PQR基础，我们开发了类似于简单局部最小二乘（SIMPLS）的SIMPQR算法。 （3）在同质假设下，我们将技术扩展到部分复合分位数协方差，并使用它来找到部分复合分位数回归（PCQR）基础。然后修改SIMPQR算法以获得SIMPCQR算法。两项仿真研究表明了我们提出的方法的优越性。使用我们提出的方法分析了来自ADHD-200样本和ADNI的两个真实数据。官方版权（C）2016，由Elsevier B.V.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号