In this paper, we study a functional regression setting where the random response curve is unobserved, and only its dichotomized version observed at a sequence of correlated binary data is available. We propose a practical computational framework for maximum likelihood analysis via the parameter expansion technique. Compared to existing methods, our proposal relies on the use of a complete data likelihood, with the advantage of being able to handle non-equally spaced and missing observations effectively. The proposed method is used in the Function-on-Scalar regression setting, with the latent response variable being a Gaussian random element taking values in a separable Hilbert space. Smooth estimations of functional regression coefficients and principal components are provided by introducing an adaptive MCEM algorithm that circumvents selecting the smoothing parameters. Finally, the performance of our novel method is demonstrated by various simulation studies and on a real case study. The proposed method is implemented in the R package dfrr.


翻译:在本文中,我们研究一个功能回归设置,随机反应曲线未观测,只有其二分位化版本在相关二进制数据序列中观测到。我们提出了一个实用的计算框架,以便通过参数扩展技术进行最大可能性分析。与现有方法相比,我们的建议依赖于使用完整的数据可能性,其优势是能够有效地处理不均匀的空间和缺失的观测。拟议方法在“功能-对称回归”设置中使用,潜在响应变量是高斯随机元素,在可分离的希尔伯特空间中采集值。功能回归系数和主要组成部分的平滑估算是通过引入适应性 MMCEM 算法来提供,绕过光滑参数的选择。最后,我们的新方法的性能通过各种模拟研究和真正的案例研究得到证明。拟议方法在R 包 dfrr 中实施。

0
下载
关闭预览

相关内容

【经典书】机器学习高斯过程,266页pdf
专知会员服务
195+阅读 · 2020年5月2日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
150+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Adaptive Bin Packing with Overflow
Arxiv
0+阅读 · 2021年2月5日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员