面向具有分块缺失结构的多类型数据的广义整合主成分分析
统计方法学
2018-08-08 v1
摘要
高维多源数据在许多领域都会遇到。尽管近期此类数据的整合降维有所发展，大多数现有方法不能轻易容纳多种类型（例如二值或计数值）的数据。此外，多源数据常有分块缺失结构，即对一个样本而言一个或多个源的数据可能完全未被观测。异构的数据类型与分块缺失数据的存在对多源数据整合及进一步统计分析提出了重大挑战。本文中，我们发展了一种低秩方法，称为广义整合主成分分析(GIPCA)，用于多源分块缺失数据（不同源可具不同数据类型）的同步降维与插补。我们还设计了适应的 BIC 准则用于秩估计。综合仿真研究证明了所提方法在秩估计、信号恢复与缺失数据插补上的效能。我们将 GIPCA 应用于一项死亡率研究。我们实现了准确的分块缺失数据插补，并识别出具有社会学意义的潜在死亡率模式。
引用
@article{arxiv.1808.02193,
title = {Generalized Integrative Principal Component Analysis for Multi-Type Data with Block-Wise Missing Structure},
author = {Huichen Zhu and Gen Li and Eric F. Lock},
journal= {arXiv preprint arXiv:1808.02193},
year = {2018}
}