Diagnostics in Statistical Methods for Multivariate Data including Longitudinal and Spatial Data

包括纵向和空间数据在内的多变量数据统计方法的诊断

基本信息

批准号：
10680316
负责人：
TANAKA Yutaka
金额：
$ 1.73万
依托单位：
OKAYAMA UNIVERSITY
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
1998
资助国家：
日本
起止时间：
1998 至 2000
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-10680316/
关键词：
Sensitivity analysis Influential observations Local influence Influential subset Influence function Diagnostics 正準相関分析 influence analysis sensitivity analysis local influence influence function principal component analysis multiple

项目摘要

Relationship between the two approaches to sensitivity analysis (SA) in multivariate methods, one based on influence functions and the other based on the Cook's local influence, 2) Methodologies of detecting influential subsets of observations, 3) SA in spatial data analysis, 4) SA in functional data analysis, and 5) Development of unified statistical software of SA in various multivariate methods. For the first topic we proved the equivalence of both approaches in each of the four cases defined by (a) whether the statistical model contains any equality constraints and (b) whether we are interested in all parameters or a subset of parameters, and on the basis of the equivalence, we proposed methods of local influence analysis in principal component analysis and canonical component analysis, and also studied a general methodology for detecting influential subsets of observations ([2], [3], [5], [7], [15], [16], [19], [23], TR [1], TR,[2] ; [12], [20]). In the third topic we have developed SA in the three stages of spatial data analysis, i.e., sample variogram, variogram model estimation, and spatial prediction ([6], [8], [10], [11], [18], [24]). In functional data analysis we studied SA in functional PCA([17], [22]). For the fifth topic see [1], [13].

多变量方法中两种敏感性分析方法（SA）之间的关系，一种基于影响函数，另一个基于库克的局部影响，2）检测有影响力的观测值的方法，3）SA在空间数据中，4） SA在功能数据分析中，以及5）在各种多元方法中开发SA的统一统计软件。对于第一个主题，我们证明了通过（a）定义的四种情况中的每种方法的等效性等效性的基础，我们在主成分分析和规范组件分析中提出了局部影响分析的方法，还研究了一种检测有影响力的观测子集的一般方法（[2]，[3]，[3]，[5]，[7]，[7]，[7]，[7]，[7]，[7] [15]，[16]，[19]，[23]，TR [1]，TR，[2]; [12]，[20]）。在第三个主题中，我们在空间数据分析的三个阶段开发了SA，即样本变异函数，变量图模型估计和空间预测（[6]，[8]，[10]，[11]，[11]，[18]，[18]，[18]，[18] [24]）。在功能数据分析中，我们研究了功能性PCA中的SA（[17]，[22]）。有关第五个主题，请参见[1]，[13]。