A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Asymptotic and bootstrap tests for subspace dimension (2022)
Nordhausen, K., Oja, H., & Tyler, D. E. (2022). Asymptotic and bootstrap tests for subspace dimension. Journal of Multivariate Analysis, 188, Article 104830. https://doi.org/10.1016/j.jmva.2021.104830
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Nordhausen, Klaus; Oja, Hannu; Tyler, David E.
Lehti tai sarja: Journal of Multivariate Analysis
ISSN: 0047-259X
eISSN: 1095-7243
Julkaisuvuosi: 2022
Volyymi: 188
Artikkelinumero: 104830
Kustantaja: Elsevier
Julkaisumaa: Yhdysvallat (USA)
Julkaisun kieli: englanti
DOI: https://doi.org/10.1016/j.jmva.2021.104830
Julkaisun avoin saatavuus: Avoimesti saatavilla
Julkaisukanavan avoin saatavuus: Osittain avoin julkaisukanava
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/79046
Rinnakkaistallenteen verkko-osoite (pre-print): https://arxiv.org/abs/1611.04908v2
Tiivistelmä
Many linear dimension reduction methods proposed in the literature can be formulated using an appropriate pair of scatter matrices. The eigen-decomposition of one scatter matrix with respect to another is then often used to determine the dimension of the signal subspace and to separate signal and noise parts of the data. Three popular dimension reduction methods, namely principal component analysis (PCA), fourth order blind identification (FOBI) and sliced inverse regression (SIR) are considered in detail and the first two moments of subsets of the eigenvalues are used to test for the dimension of the signal space. The limiting null distributions of the test statistics are discussed and novel bootstrap strategies are suggested for the small sample cases. In all three cases, consistent test-based estimates of the signal subspace dimension are introduced as well. The asymptotic and bootstrap tests are illustrated in real data examples.
YSO-asiasanat: monimuuttujamenetelmät; riippumattomien komponenttien analyysi; estimointi
Vapaat asiasanat: Order determination; Principal component analysis; Sliced inverse regression
Liittyvät organisaatiot
OKM-raportointi: Kyllä
Raportointivuosi: 2022
JUFO-taso: 1
