論文の概要: A Robust Functional EM Algorithm for Incomplete Panel Count Data
- arxiv url: http://arxiv.org/abs/2003.01169v3
- Date: Sat, 20 Jun 2020 02:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 04:48:39.782057
- Title: A Robust Functional EM Algorithm for Incomplete Panel Count Data
- Title(参考訳): 不完全パネル数データに対するロバスト関数EMアルゴリズム
- Authors: Alexander Moreno, Zhenke Wu, Jamie Yap, David Wetter, Cho Lam, Inbal
Nahum-Shani, Walter Dempsey, James M. Rehg
- Abstract要約: 完全無作為な仮定(MCAR)の下での数え上げ過程の平均関数を推定する機能的EMアルゴリズムを提案する。
提案アルゴリズムは、いくつかの一般的なパネル数推定手法をラップし、不完全数にシームレスに対処し、ポアソン過程の仮定の誤特定に頑健である。
本稿では, 数値実験による提案アルゴリズムの有用性と喫煙停止データの解析について述べる。
- 参考スコア(独自算出の注目度): 66.07942227228014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Panel count data describes aggregated counts of recurrent events observed at
discrete time points. To understand dynamics of health behaviors, the field of
quantitative behavioral research has evolved to increasingly rely upon panel
count data collected via multiple self reports, for example, about frequencies
of smoking using in-the-moment surveys on mobile devices. However, missing
reports are common and present a major barrier to downstream statistical
learning. As a first step, under a missing completely at random assumption
(MCAR), we propose a simple yet widely applicable functional EM algorithm to
estimate the counting process mean function, which is of central interest to
behavioral scientists. The proposed approach wraps several popular panel count
inference methods, seamlessly deals with incomplete counts and is robust to
misspecification of the Poisson process assumption. Theoretical analysis of the
proposed algorithm provides finite-sample guarantees by expanding parametric EM
theory to our general non-parametric setting. We illustrate the utility of the
proposed algorithm through numerical experiments and an analysis of smoking
cessation data. We also discuss useful extensions to address deviations from
the MCAR assumption and covariate effects.
- Abstract(参考訳): パネルカウントデータは、離散時間ポイントで観測された繰り返しイベントの集計数を記述する。
健康行動のダイナミクスを理解するために、定量的行動研究の分野は、例えばモバイル機器のモーメント内調査を用いた喫煙頻度など、複数のセルフレポートを通じて収集されたパネル数データにますます依存するようになった。
しかし、報告の欠如は一般的であり、ダウンストリーム統計学習の大きな障壁となっている。
最初のステップとして、完全にランダムな仮定(MCAR)を欠いた状態で、計算過程の平均関数を推定するために、単純だが広く適用可能な関数EMアルゴリズムを提案する。
提案手法は、不完全数をシームレスに処理し、ポアソン過程の仮定の誤特定に頑健な、いくつかの一般的なパネルカウント推論手法を包含する。
提案アルゴリズムの理論的解析は、パラメトリックEM理論を一般の非パラメトリック設定に拡張することで有限サンプル保証を提供する。
本稿では, 数値実験による提案アルゴリズムの有用性と喫煙停止データの解析について述べる。
また、MCARの仮定と共変量の影響から逸脱する問題に対処するための有用な拡張についても論じる。
関連論文リスト
- An Evaluation of Real-time Adaptive Sampling Change Point Detection
Algorithm using KCUSUM [4.841799148793424]
本稿では,Kernel-based Cumulative Sum (KCUSUM)アルゴリズムを導入し,従来のCumulative Sum (CUSUM) 法を非パラメトリック拡張する。
KCUSUMは、入ってくるサンプルを参照サンプルと直接比較することで自身を分割し、最大平均離散(MMD)非パラメトリックフレームワークに基礎を置く統計を計算する。
我々は,NWChem CODARやタンパク質折り畳みデータなどの科学シミュレーションによる実世界のユースケースについて論じ,オンライン変化点検出におけるKCUSUMの有効性を実証した。
論文 参考訳(メタデータ) (2024-02-15T19:45:24Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳(メタデータ) (2023-07-31T11:28:24Z) - TriSig: Assessing the statistical significance of triclusters [2.064612766965483]
本研究は、テンソルデータのパターンの確率を評価するための統計的枠組みを提案し、ヌル期待から逸脱する。
偽陽性発見のための二項検定に関する総合的な議論が欠かせない。
バイオケミカルおよびバイオテクノロジー分野における、異なる実世界のケーススタディに対する最先端のトリクラスタリングアルゴリズムの適用から得られた結果。
論文 参考訳(メタデータ) (2023-06-01T13:08:54Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳(メタデータ) (2022-10-10T12:35:02Z) - Nonparametric estimation of continuous DPPs with kernel methods [0.0]
パラメトリックおよび非パラメトリック推論法は、有限の場合、すなわち、点パターンが有限の基底集合に存在する場合において提案されている。
我々は、この最大可能性(MLE)問題の制限バージョンが、RKHSにおける非負関数に対する最近の表現定理の範囲内にあることを示す。
この有限次元問題を解くための固定点アルゴリズムを提案し,解析し,実証する。
論文 参考訳(メタデータ) (2021-06-27T11:57:14Z) - An algorithm-based multiple detection influence measure for high
dimensional regression using expectile [0.4999814847776096]
本稿では,アルゴリズムに基づく多段階多重検出手法を提案する。
データ中の望ましくない変数を識別し、キャプチャする3ステップのアルゴリズムである$asymMIP,$は2つの相補的な統計に基づく。
自閉症脳画像データ交換データセットへの本手法の適用により,脳の成熟度をよりバランスよく正確に予測することができた。
論文 参考訳(メタデータ) (2021-05-26T01:16:24Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。