Sparse semiparametric canonical correlation analysis for data of mixed types
混合类型数据的稀疏半参数典型相关分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究混合类型数据的通用关联分析，未明确对应所列经济学领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
混合类型数据的稀疏半参数典型相关分析
- 研究问题
- 在高维且同时包含连续、二元和大量零值变量的数据中，如何研究两组变量的关联，并克服传统典型相关分析的局限？
- 方法与思路
- 作者基于高斯 copula 提出稀疏半参数方法，用截断潜在高斯模型处理过多零值，并以秩信息估计潜在相关矩阵。
- 材料陈述的贡献
- 摘要称该方法无需估计边际变换函数即可处理混合变量类型，并在高维数值研究及乳腺癌相关数据分析中表现良好。
- 阅读关注点
- 应核对零值的潜在截断表示、相关矩阵的秩估计方式及稀疏化规则，并关注各变量类型对应的模型条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断模型识别、估计误差界或不同零值生成机制下的适用性，也不能把关联解释为因果效应。
原文摘要
Summary Canonical correlation analysis investigates linear relationships between two sets of variables, but it often works poorly on modern datasets because of high dimensionality and mixed data types such as continuous, binary and zero-inflated. To overcome these challenges, we propose a semiparametric approach to sparse canonical correlation analysis based on the Gaussian copula. The main result of this paper is a truncated latent Gaussian copula model for data with excess zeros, which allows us to derive a rank-based estimator of the latent correlation matrix for mixed variable types without estimation of marginal transformation functions. The resulting canonical correlation analysis method works well in high-dimensional settings, as demonstrated via numerical studies, and when applied to the analysis of association between gene expression and microRNA data from breast cancer patients.