PLS Regression with Functional Predictor ...
Type de document :
Communication dans un congrès avec actes
Titre :
PLS Regression with Functional Predictor and Missing Data
Auteur(s) :
Preda, Cristian [Auteur]
MOdel for Data Analysis and Learning [MODAL]
Université de Lille, Sciences et Technologies
Saporta, Gilbert [Auteur]
CEDRIC. Méthodes statistiques de data-mining et apprentissage [CEDRIC - MSDMA]
Hadj Mbarek, Ben [Auteur]
Institut Supérieur de Gestion Sousse
MOdel for Data Analysis and Learning [MODAL]
Université de Lille, Sciences et Technologies
Saporta, Gilbert [Auteur]
CEDRIC. Méthodes statistiques de data-mining et apprentissage [CEDRIC - MSDMA]
Hadj Mbarek, Ben [Auteur]
Institut Supérieur de Gestion Sousse
Titre de la manifestation scientifique :
PLS'09,6th Int. Conf. on Partial Least Squares and Related Methods
Ville :
Pékin
Pays :
Chine
Date de début de la manifestation scientifique :
2009-09-04
Date de publication :
2009-09-04
Mot(s)-clé(s) en anglais :
functional data
missing data
PLS
functional regression models
missing data
PLS
functional regression models
Discipline(s) HAL :
Mathématiques [math]/Statistiques [math.ST]
Résumé en anglais : [en]
Time-average approximation and principal component analysis of the stochastic processunderlying the functional data are the main ingredients for adapting NIPALS algorithm to estimate missingdata in the functional context. ...
Lire la suite >Time-average approximation and principal component analysis of the stochastic processunderlying the functional data are the main ingredients for adapting NIPALS algorithm to estimate missingdata in the functional context. The influence of the amount of missing data in the estimation of linearregression models is studied using the PLS method. A simulation study illustrates our methodology.Keywords: functional data, missing data, PLS, functional regression models.Lire moins >
Lire la suite >Time-average approximation and principal component analysis of the stochastic processunderlying the functional data are the main ingredients for adapting NIPALS algorithm to estimate missingdata in the functional context. The influence of the amount of missing data in the estimation of linearregression models is studied using the PLS method. A simulation study illustrates our methodology.Keywords: functional data, missing data, PLS, functional regression models.Lire moins >
Langue :
Anglais
Comité de lecture :
Oui
Audience :
Non spécifiée
Vulgarisation :
Non
Collections :
Source :
Fichiers
- document
- Accès libre
- Accéder au document
- RC1813.pdf
- Accès libre
- Accéder au document
- document
- Accès libre
- Accéder au document
- RC1813.pdf
- Accès libre
- Accéder au document