.png){kind=icon}
返回
Comparative Study of Missing Data Imputation Methods in Functional Data Analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s40995-025-01858-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期技术进步使得高维数据的分析成为可能，其中每个数据点被假定为来自一个潜在连续函数的样本。函数数据分析（FDA）是一种用于研究这些潜在函数形式的方法。缺失数据在FDA中很常见，但针对函数数据的插补方法仍是一个研究不足的领域。本研究通过从两个数据集中采样缺失值，探讨了各种缺失数据插补方法对函数数据的影响：土耳其黑海地区18个城市的日平均气温和伊斯坦布尔交易所交易的股票价值。对于周期性气温数据，采用了傅里叶基函数方法，而对于非周期性股票数据，则应用了B样条基函数方法。使用包括MI Amelia、MICE Random Forest和Kalman滤波在内的多种插补方法对缺失数据进行估计，并通过多重比较测试评估了每种方法的表现。研究发现，不同插补方法的表现存在显著差异，且其表现与缺失数据率相关，某些方法始终优于其他方法。本研究提供了比较分析，为基于数据结构和缺失率选择适当的插补方法提供了有价值的见解。
Keyword:
Functional data
Functional data analysis
Basis function
Missing data
Data imputation
期刊
I
IF:
1.4
论文数:
138
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏A Bayesian multiple imputation approach to bivariate functional data with missing components一种贝叶斯多重插补方法用于具有缺失分量的双变量函数数据
OAAI
OAAI分享收藏分享收藏
查看更多内容