.png){kind=icon}
返回
Fast Bayesian Functional Principal Components Analysis
.png){kind=icon}
PRE
AI
DOI：10.1080/10618600.2025.2592768.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
函数主成分分析（FPCA）是一种广泛应用于函数数据降维的分析工具。传统的FPCA实现方法是从数据中估计主成分，然后在后续分析中将这些估计值视为固定值。为了考虑主成分估计值的不确定性，我们提出了FAST，一种包含三个核心组件的全贝叶斯FPCA方法：（1）将特征函数投影到正交样条基上；（2）采用基于极分解的参数扩展方案，高效地采样正交样条系数矩阵；（3）在采样过程中对特征值进行排序。大量的模拟研究显示，FAST具有很高的稳定性，并且相较于现有方法表现更优。FAST的动机来源于，并应用于一项关于“ Dietary Approaches to Stop Hypertension for Diabetes Continuous Glucose Monitoring（DASH4D CGM）研究”中餐时血糖变异性的研究。所有相关的STAN代码和模拟程序均作为补充材料提供。
Keyword:
Bayesian methods
Functional data
Semiparametric methods
Uncertainty quantification
期刊
J
IF:
1.8
论文数:
141
被引数:
6.4K
机构
引用论文
Determination of Postprandial Glycemic Responses by Continuous Glucose Monitoring in a Real-World Setting在真实世界环境中通过连续血糖监测确定餐后血糖反应.png)
NUTRIENTS
OAAI
NUTRIENTSIF5
OAAI分享收藏Generalized Multilevel Function-on-Scalar Regression and Principal Component AnalysisBiometrics
OAAI
BiometricsIF0
OAAI分享收藏分享收藏
查看更多内容