充分降维理论中PHD方法局部影响分析.pdfVIP

摘 要 在统计学的发展中，我们越来越多地面临高维数据的挑战。使用非参数方 法对这些高维数据进行处理时可能面临着 “维数诅咒”问题，尤其是在回归问 题中，当模型的形式未知而自变量维数很高时，核函数和样条逼近等非参数方 法都将因为数据稀疏而失效。如果因变量是高维自变量的少数几个线性组合的 函数,那么,只要准确的找出这些线性组合的组合系数,则维数过高带来的问题 也就不复存在。难点在于,这些组合系数的寻找不能依赖于因变量与自变量之间 的函数关系，充分降维理论就是针对这样的问题而提出。该领域已经引起了人 们的广泛关注,提出了许多方法和理论。 在各种充分降维理论和方法中，主Hessian方向 （PHD）法是应用较为广泛 的一种。然而，由于其基本理论依据为stein引理，有赖于自变量的正态假设， 因此，主Hessian方向也是对数据分布假设要求较高的一种降维方法。所以， 研究这种方法的影响分析是有必要的。在主Hessian方向的影响分析领域，目 前只有基于影响函数的数据删除法。这种方法在探测一些特殊的影响模式方面 的效率不够令人满意，故此，本文提出了一种针对主Hessian方向的局部影响 分析方法。该方法以空间位移函数和拟曲率为理论基础，可以在联合扰动下使 用，与基于数据删除法的方法相比，该法对于模型中存在的强影响因素的探测 效能较好。 本文得到的理论结果主要包括：对于基于因变量的 -型PHD方法和基于普 y 通最小二乘残差的 -型PHD方法，在数据点扰动模式下，均给出了拟曲率的表r 达式和最强影响方向的求取方法，在此基础上，建立了用于探测强影响数据点 的局部影响评价统计量。此外，证明了所提出的局部影响分析理论对于自变量 向量的仿射变换具有不变性，考虑到充分降维理论的问题背景，这个不变性是 非常必要，也是很重要的。此外，我们使用本文提出的方法进行了模拟分析和 真实数据分析，通过与数据删除法进行比较，说明了该方法的优势。 关键词：充分降维；主Hessian方向；迹相关系数；空间位移函数；局部 影响分析。 万方数据 Abstract Abstract Inthedevelopmentofstatistics,we arefacedwithmore andmorechallengesof high dimensional data. Using nonparametric methods to deal with high dimensional data may suffer from “curse of dimension”. Especially in the regression, when the basic form of the model is unknown and a lot of predictor candidates exist, nonparametric methods suchaskernel function and splineapproximationmay allbe inefficient due to the sparse data. However, if the response only depends on several linear combinations of the predictor candidates, we only need to find out the coefficients of these linear combinations to solve the problem of high dimension. However,itisadifficultproblemtoestimatethecombinationcoefficientswithoutany assumptionabouttherelationshipbetweentheresponse andpredictors.Thetheory of sufficientdimensionreduction isto solvethisproblem. Thisissuehas drawn alotof attentionandavarietyofmethodsandtheorieshavebeendevelopedforit. The approach of principal Hessian direction is one of the most extensively appliedmethodologiesofsufficientdimensionreduction.Ontheotherhand,itisalso a method which needs a strict condition ab