基于Bootstrap方法上的新修正EM算法

对于成分数据的处理往往是进行对数比变换,这时,如果数据中含有零点或是近似零点,变换后就会出现负无穷的数据.因此,对于成分数据中零点或是近似零点的处理就成为成分数据分析中的一个重要的课题,文献中采用了基本线性回归的修正EM算法,文章将此方法进行了改进,提出了基于Bootstrap方法上的修正EM算法,这两种方法均是在迭代的初值给定步骤进行了改进.模拟研究对上述提到的两种方法进行了比较,结果显示此方法相比原有的修正EM算法,算法更为简便,得到的估计更为精确.

稳健高效的高维成分数据近似零值插补方法及应用

随着计算机技术的迅猛发展,高维成分数据不断涌现并伴有大量近似零值和缺失,数据的高维特性不仅给传统统计方法带来了巨大的挑战,其厚尾特征、复杂的协方差结构也使得理论分析难上加难。于是如何对高维成分数据的近似零值进行稳健的插补,挖掘潜在的内蕴结构成为当今学者研究的焦点。对此,本文结合修正的EM算法,提出基于R型聚类的Lasso-分位回归插补法(SubLQR)对高维成分数据的近似零值问题予以解决。与现有高维近似零值插补方法相比,本文所提出的SubLQR具有如下优势。①稳健全面性:利用Lasso-分位回归方法,不仅可以有效地探测到响应变量的整个条件分布,还能提供更加真实的高维稀疏模式;②有效准确性:采用基于R型聚类的思想进行插补,可以降低计算复杂度,极大提高插补的精度。模拟研究证实,本文提出的SubLQR高效灵活准确,特别在零值、异常值较多的情形更具优势。最后将SubLQR方法应用于罕见病代谢组学研究中,进一步表明本文所提出的方法具有广泛的适用性。