La modélisation par pondération de grappes est un cadrestatistique flexible pour la modélisation de relations localesdans des populations hétérogènes sur la base de combinaisons de modèles locaux. Nous généralisons les modèlespar pondération de grappes pour inclure une structure defacteurs latents sous-jacents de variables indépendantescréant une famille d’analyseurs de facteurs de pondérationde grappes. Cela fournit un modèle avec la flexibilité dela pondération des données de haute dimension. Un algorithme d’espérance-maximisation et le critère d’informationbayésien sont utilisés respectivement pour l’estimation desparamètres et la sélection de modèles. Nous illustrons notreapproche par des données réelles et simulées.

Cluster-weighted modelling is a flexible statistical framework for modelling local relationships in het- erogeneous populations on the basis of weighted combinations of local models. We extend cluster weighted models to include an underlying latent factor structure of the independent variable, result- ing in a family of parsimonious cluster-weighted factor analyzers. This provides a model with the flexibility of clustering of high-dimensional data. An expectation-maximization algorithm and the Bayesian information criterion are used for param- eter estimation and model selection, respectively. Our approach is illustrated on real and simulated data.

Cluster-Weighted Factor Analyzers

INGRASSIA, Salvatore;PUNZO, ANTONIO
2013

Abstract

La modélisation par pondération de grappes est un cadrestatistique flexible pour la modélisation de relations localesdans des populations hétérogènes sur la base de combinaisons de modèles locaux. Nous généralisons les modèlespar pondération de grappes pour inclure une structure defacteurs latents sous-jacents de variables indépendantescréant une famille d’analyseurs de facteurs de pondérationde grappes. Cela fournit un modèle avec la flexibilité dela pondération des données de haute dimension. Un algorithme d’espérance-maximisation et le critère d’informationbayésien sont utilisés respectivement pour l’estimation desparamètres et la sélection de modèles. Nous illustrons notreapproche par des données réelles et simulées.
Cluster-weighted modelling is a flexible statistical framework for modelling local relationships in het- erogeneous populations on the basis of weighted combinations of local models. We extend cluster weighted models to include an underlying latent factor structure of the independent variable, result- ing in a family of parsimonious cluster-weighted factor analyzers. This provides a model with the flexibility of clustering of high-dimensional data. An expectation-maximization algorithm and the Bayesian information criterion are used for param- eter estimation and model selection, respectively. Our approach is illustrated on real and simulated data.
File in questo prodotto:
Non ci sono file associati a questo prodotto.

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.11769/104717
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact