• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Missing values: sparse inverse covariance estimation and an extension to sparse regression
【24h】

Missing values: sparse inverse covariance estimation and an extension to sparse regression

机译：缺失值：稀疏逆协方差估计和稀疏回归的扩展

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 an t -regularized likelihood method for estimating the inverse covariance matrix in the high-dimensional multivariate normal model in presence of missing data. Our method is based on the assumption that the data are missing at random (MAR) which entails also the completely missing at random case. The implementation of the method is non-trivial as the observed negative log-likelihood generally is a complicated and non-convex function. We propose an efficient EM algorithm for optimization with provable numerical convergence properties. Furthermore, we extend the methodology to handle missing values in a sparse regression context. We demonstrate both methods on simulated and real data.
机译：我们提出了一种t归一化似然方法，用于在缺少数据的情况下估计高维多元正态模型中的逆协方差矩阵。我们的方法基于这样的假设：数据随机丢失（MAR），这也意味着随机情况下完全丢失。该方法的实现是不平凡的，因为观察到的负对数似然通常是一个复杂且非凸的函数。我们提出了一种有效的EM算法，用于可证明的数值收敛性的优化。此外，我们扩展了方法以在稀疏回归上下文中处理缺失值。我们演示了模拟和真实数据的两种方法。

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