基于成对似然的序数数据同时聚类与降维方法
统计方法学
2015-04-14 v1
摘要
关于连续数据聚类的文献丰富而广泛；相比之下，针对分类数据发展的文献仍然有限。在某些情况下，噪声变量/维度的存在使问题更加困难，这些变量/维度不包含关于聚类结构的信息，并可能掩盖该结构。本文旨在提出一种模型，用于有序分类数据的同时聚类和降维，能够检测判别性维度并剔除噪声维度。遵循潜在响应变量方法，观测变量被视为服从高斯混合分布的一阶潜在连续变量的离散化。为了识别判别性维度和噪声维度，这些变量被视为两组独立的二阶潜在变量的线性组合，其中仅一组包含关于聚类结构的信息，而另一组包含噪声维度。模型设定涉及多维积分，使得最大似然估计变得繁琐，在某些情况下甚至不可行。为了克服这一问题，参数估计通过最大化成对对数似然的类 EM 算法进行。通过对真实数据和模拟数据的应用实例，展示了该提议的有效性。
引用
@article{arxiv.1504.02913,
title = {A pairwise likelihood approach to simultaneous clustering and dimensional reduction of ordinal data},
author = {Monia Ranalli and Roberto Rocci},
journal= {arXiv preprint arXiv:1504.02913},
year = {2015}
}