稀疏 CCA 模型在变量选择中的分组效应
统计方法学
2020-08-11 v1 机器学习
摘要
稀疏典型相关分析（SCCA）是一种双多变量关联模型，它寻找两组变量中彼此最大化相关的稀疏线性组合。除标准 SCCA 模型外，由于计算简便，文献中广泛使用一种简化的 SCCA 准则，该准则最大化一对典型变量之间的交叉协方差而非其交叉相关。然而，这两种模型解的行为/性质在理论上仍属未知。在本文中，我们分析标准与简化 SCCA 模型在变量选择中的分组效应。在高维设定下，变量常形成组内高相关、组间低相关的组。我们的理论分析表明，对于分组变量选择，简化 SCCA 将一组变量联合选中或联合剔除，而标准 SCCA 从每个相关的相关变量组中随机选取少数主导变量。在合成数据与真实影像遗传学数据上的实证结果验证了我们的理论分析发现。
引用
@article{arxiv.2008.03392,
title = {Grouping effects of sparse CCA models in variable selection},
author = {Kefei Liu and Qi Long and Li Shen},
journal= {arXiv preprint arXiv:2008.03392},
year = {2020}
}