Cluster-weighted latent class modeling
通常在潜在类别分析(LCA)中,外部预测因子被视为聚类条件概率预测因子(具有协变量的LC模型)和/或评分条件概率预测因子(LC回归模型)。在这种情况下,它们的分布并不重要。当外部变量的分布被假设为依赖于LC成员资格时,类特异性分布在远端结局模型中是令人感兴趣的。在本文中,我们考虑了一个更一般的配方,典型的集群加权模型,它嵌入了潜在的类回归和远端的结果模型。这使我们能够同时测试协变量的分布是否在类别之间存在差异,以及协变量是否对指标有显著的直接影响,包括有关协变量-潜在变量关系的大部分信息。我们通过一组人口研究和意大利家庭资产所有权的实证应用表明所提出的建模方法的优势。
2018-01-04 stat.ME
Local statistical modeling by cluster-weighted
我们调查的统计特性的监督加权建模,这是一个监督学习的框架,最初开发的目的是为了重新创建一个数字小提琴与传统的输入和现实的声音。与有限混合回归模型进行了比较分析。基于一些几何参数,我们强调,加权建模提供了一个相当一般的框架,局部统计建模。理论结果说明的地面上的一些数值模拟。
2011-06-15 stat.CO stat.ME
The shared weighted Lindley frailty model for cluster failure time data
本文的主要目标是介绍一种新的脆弱性模型的基础上加权林德利(WL)分布建模集群生存数据。我们研究所提出的模型的统计特性。特别是,未观察到的异质性的量直接参数化的脆弱性分布的方差,如伽玛和逆高斯脆弱性模型。参数和半参数版本的WL脆弱性模型进行了研究。提出了一种简单的期望最大化(EM)算法用于参数估计。仿真研究进行评估其有限样本性能。最后,我们将所提出的模型应用到一个真实的数据集,分析手术后的时间在诊断为结直肠癌的患者,并比较我们的结果与经典的脆弱性模型在此应用程序中进行,这表明了所提出的模型的优越性。我们实现了一个R包,其中包括用于拟合基于EM算法的模型的估计。
2022-06-26 stat.ME
Penalized weighted GEEs for high-dimensional longitudinal data with informative cluter size
本文针对高维纵向数据中的信息性簇大小问题,提出惩罚加权广义估计方程方法,证明其具有模型选择与估计相合性及oracle性质,并通过模拟和真实数据验证其优于现有方法。
2025-01-01 stat.ME
Generalized Linear Gaussian Cluster-Weighted Modeling
CWM是一种灵活的混合建模方法,用于将来自异质总体的数据的联合概率建模为边缘分布和条件分布的乘积的加权和。本文引入一类广义线性高斯簇加权模型,其中假设条件分布属于具有标准链的指数族.此外,我们表明,在适当的意义下,混合的广义线性模型可以被认为是嵌套在广义线性高斯簇加权模型。该建议说明了通过许多数值研究的基础上模拟和真实的数据集。
2012-12-19 stat.AP stat.CO stat.ME
Probability Weighted Clustered Coefficients Regression Models in Complex Survey Sampling
针对复杂抽样调查中不同领域关系存在差异导致现有方法失效的问题,提出基于成对惩罚的统一框架,利用交替方向乘子法求解以研究分组协变量效应,并在理论和数值实验中验证了其在群体识别和估计效率上的优越性。
2024-09-23 stat.ME
Cluster weighted models for functional data
本文提出 funWeightClust 方法,将聚类加权模型扩展到函数型数据,并通过 EM 算法估计参数,在模拟与基准数据上优于 funHDDC 等现有方法,成功应用于埃德蒙顿交通模式分析。
2025-03-07 stat.ME stat.ML
Multivariate response and parsimony for Gaussian cluster-weighted models
提出了一类简约高斯簇加权模型。这个家庭关注的多变量扩展到集群加权建模,可以解释多变量响应之间的相关性。通过约束施加在分量协方差阵上的特征分解的部分来实现简约。给出了系统可辨识的充分条件,并给出了参数估计的期望最大化算法。模型的性能进行了研究合成和经典的真实数据集,并与一些流行的方法进行比较。最后,占线性依赖关系中存在的线性回归结构,提供更好的性能,相对于集群,在现有的方法。
2016-02-26 stat.CO stat.ME stat.ML
Fitting Bivariate Mixed-Type Data via the Generalized Linear Exponential Cluster-Weighted Model
聚类加权模型(CWM)是一种具有随机协变量的混合模型,它允许对由一个响应变量和协变量集合组成的随机向量进行灵活的聚类和密度估计。在这类模型中,本文引入了广义线性指数CWM模型,特别适用于混合型二元数据的建模。它的自然对应物,在家庭的潜在类模型,也被定义。使用期望最大化算法导出极大似然参数估计,并使用贝叶斯信息准则(BIC)进行模型选择。最后,人工和真实的数据被认为是验证和评价所提出的模型。
2013-08-05 stat.CO stat.ME
Clustering and Classification via Cluster-Weighted Factor Analyzers
在基于模型的聚类和分类中,当感兴趣的随机向量构成响应变量Y和解释变量X的集合p时,聚类加权模型构成方便的方法。然而,当p高时,其适用性可能受到限制。为了克服这个问题,本文假设一个潜在的因素结构的X在每个混合成分。这导致了聚类加权因子分析(CWFA)模型。通过对Y的方差和X的协方差阵施加约束,引入了一种新的16个CWFA模型族用于基于模型的聚类和分类。交替的期望条件最大化算法,所有的模型在家庭中的参数的极大似然估计,描述了初始化算法,提出了一个5步的分层过程,它使用的嵌套结构的家庭中的模型,从而保证自然的排名之间的16个可能性。人工和实际数据表明,这些模型具有很好的聚类和分类性能,算法能够很好地恢复参数。
2012-09-28 stat.AP stat.CO stat.ME
Covariate Connectivity Combined Clustering for Weighted Networks
University of Connecticut(康涅狄格大学);Vanderbilt University Medical Center(范德堡大学医学中心)
C⁴是一种结合网络连通性和节点协变量的自适应谱聚类算法,用于提高加权网络中社区检测的准确性和鲁棒性。
2025-11-21 stat.CO stat.ME
Flexible Mixture Modeling with the Polynomial Gaussian Cluster-Weighted Model
在混合建模框架下,本文提出了多项式高斯聚类加权模型(CWM)。它扩展了线性高斯CWM,二元数据,在一个双重的方式。首先,通过考虑多项式回归,它允许混合成分中可能的非线性依赖性。其次,它不限于用于基于模型的聚类,仅在最一般的基于模型的分类框架中进行上下文化。使用期望最大化算法导出极大似然参数估计,并使用贝叶斯信息准则(BIC)和综合完全似然(ICL)进行模型选择。本文还研究了多项式高斯CWM的成分隶属度的后验概率与其它已建立的相关混合模型的成分隶属度的后验概率相一致的条件,对于这些模型,多项式高斯CWM应用于本文所考虑的人工数据和真实数据时,都显示出优良的聚类和分类结果。
2012-07-04 stat.CO stat.ME
Model-based clustering via skewed matrix-variate cluster-weighted models
加权模型(CWM)扩展了有限混合回归(FMR),以允许协变量的分布有助于聚类过程。在矩阵变量框架中,最近引入了矩阵变量正态CWM。然而,当数据在响应、协变量或两者中表现出偏态或其他偏离正态性时,可能会遇到问题。因此,我们引入了一个家庭的24矩阵变量CWM,这是通过允许的响应和协变量进行建模,通过使用现有的四个偏态矩阵变量分布或矩阵变量正态分布。我们的矩阵变量CWM具有更大的灵活性,能够以更合适的方式处理这类数据。作为副产品,四个斜矩阵变量FMR也被引入。极大似然参数估计使用期望条件最大化算法。参数恢复,分类评估,和贝叶斯信息标准的能力,以检测潜在的群体进行了研究,使用模拟数据。最后,我们的矩阵变量CWM,随着矩阵变量正常CWM和矩阵变量FMR,被应用到两个真实的数据集进行说明。
2021-11-29 stat.AP stat.ME
Cluster weighted models with multivariate skewed distributions for functional data
MacEwan University(麦考文大学);Indian Institute of Technology Kanpur(坎普尔印度理工学院)
该研究提出funWeightClustSkew聚类方法,基于函数线性回归模型混合体与三种偏态多元分布,遵循funHDDC框架扩展聚类加权模型至函数数据,构建EM算法估计参数,在模拟数据和空气质量数据集上验证了性能。
2025-04-17 cs.LG stat.ME stat.ML
Weighted Conformal Clustering
Columbia University(哥伦比亚大学)
提出加权共形方法为聚类标签构建有效置信集,通过条件标签分布偏移校正解决校准标签与真实标签不匹配问题,实现有限样本边际覆盖。
2026-11-10 math.ST stat.ME stat.ML
Extending Cluster-Weighted Factor Analyzers for multivariate prediction and high-dimensional interpretability
本文提出多元聚类加权不相交因子分析器(MCWDFA),扩展了聚类加权因子分析器以支持多响应变量预测并提升高维可解释性,通过模拟研究和美国犯罪数据验证了其有效性。
2024-11-05 stat.CO stat.ME
Bayesian Cluster Geographically Weighted Regression for Spatial Heterogeneous Data
本文提出结合贝叶斯地理加权回归与高斯混合及Dirichlet过程混合模型的方法,引入协变量效应聚类,解决区域协变量重要性差异问题,并优化大型空间数据集的MCMC计算,经模拟与实际数据验证有效。
2023-11-21 stat.AP stat.ME
Investigation of Parameter Uncertainty in Clustering Using a Gaussian Mixture Model Via Jackknife, Bootstrap and Weighted Likelihood Bootstrap
混合模型是基于模型聚类的一种常用工具。这种模型通常通过最大化似然的过程来拟合,例如期望最大化算法。在收敛时,通常报告极大似然参数估计值,但在大多数情况下,很少强调与这些估计值相关的变异性。这部分地可能是由于在模型拟合算法中不直接计算标准误的事实,或者因为不需要它们来拟合模型,或者因为它们难以计算。因此,基于模型的聚类中的标准误的检查通常被忽略。最近广泛使用的R包方法引入了bootstrap和加权似然bootstrap方法,以方便标准误估计。本文提供了一个经验比较这些方法(连同刀切法)产生的标准误和置信区间的混合参数。这些方法的说明和对比,在模拟研究和传统的老忠实的数据集和甲状腺数据集。
2019-07-22 stat.CO stat.ME
Model-Based Clustering of Nonparametric Weighted Networks with Application to Water Pollution Analysis
水污染是一个重大的全球性环境问题,它对公众健康和生物多样性构成了巨大的环境风险。这项工作的动机是通过增加硫酸盐浓度的河流网络,不属于任何简单的参数分布,煤炭开采的潜在环境威胁进行评估。然而,现有的网络模型主要集中在二进制或离散网络和已知参数权重分布的加权网络。提出了一种基于指数族随机图模型和局部似然估计的非参数加权网络模型,并研究了其基于模型的聚类方法,应用于大规模水污染网络分析。我们不需要对网络权重进行任何参数分布假设。该方法极大地扩展了统计网络模型的方法论和适用性。此外,它可扩展到大规模环境研究中的大型复杂网络。我们所提出的方法的力量是在模拟研究和硫酸盐污染网络分析在位于美国宾夕法尼亚州的俄亥俄州流域的实际应用证明。
2019-05-16 cs.SI stat.AP stat.CO
Robust Clustering in Regression Analysis via the Contaminated Gaussian Cluster-Weighted Model
高斯聚类加权模型(CWM)是具有随机协变量的回归模型的混合,允许对由响应变量和协变量组成的随机向量进行灵活聚类。在每个混合分量中,它对协变量和给定协变量的响应都采用高斯分布。为了鲁棒的方法相对于可能的椭圆重尾偏离正态性,由于存在非典型的观察,污染高斯CWM在这里介绍。除了高斯CWM的参数之外,我们的污染CWM的每个混合成分都有一个控制离群值比例的参数,一个控制杠杆点比例的参数,一个指定相对于响应变量的污染程度,一个指定相对于协变量的污染程度。至关重要的是,这些参数不必事先指定,从而为我们的方法增加了灵活性。此外,一旦模型被估计并且观察被分配到组,则可以直接获得典型点、离群值、好杠杆点和坏杠杆点的更精细的组内分类-稳健回归分析中的首要概念。与其他基于混合的污染模型的关系进行了分析,提供了可识别的条件,期望条件最大化算法概述了参数估计,并讨论了各种实施和操作问题。通过蒙特卡罗实验评价了回归系数估计的性质,并与高斯CWM的估计进行了比较。还根据实际数据集进行了敏感性研究。
2014-09-21 math.ST stat.CO stat.ME