.png){kind=icon}
返回
Distribution-valued data graphical model estimation based on M-LDQ feature embedding
.png){kind=icon}
PRE
AI
DOI：10.1080/02664763.2025.2567980.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解和建模分布值数据这一重要的符号数据形式，已在统计学中引起广泛关注，因为它在处理大数据集方面具有有效性。传统的统计推断方法不适用于分布值数据，这促使了旨在解决该挑战的大量研究工作。然而，作为应用统计学中强大工具的图模型，尚未完全开发用于分布值数据。为填补这一空白，本研究提出了一种新颖的非参数图模型估计方法，用于分布值数据。所提出的方法首先消除了分布的固有约束，有效捕捉位置信息（作为标量）和形状信息（作为函数）。随后，我们提出了一种基于条件独立性检验的聚合方法，用于在图模型估计中整合位置信息和形状信息。若干数值模拟验证了我们的方法优于其他潜在竞争方法。此外，我们将该方法应用于构建构成上证50指数的股票网络，使用的是五分钟收益的每日分布值数据。实证结果表明了行业特定的关系以及跨行业影响，突显了不同行业股票间随时间演变的相互联系。
Keyword:
Distribution-valued data
graphical models
feature embedding
conditional independence test
kernel method
期刊
J
IF:
1.1
论文数:
134
被引数:
4.2K
机构
引用论文
Nonlinear directed acyclic graph estimation based on the kernel partial correlation coefficient基于核偏相关系数的非线性有向无环图估计
PREAI
分享收藏Risk spillover network structure learning for correlated financial assets: A directed acyclic graph approach相关金融资产的风险溢出网络结构学习：一种有向无环图方法
PREAI
分享收藏Distributional representation of resting-state fMRI for functional brain connectivity analysis用于功能性脑连接分析的静息态fMRI的分布表示.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容