Outlier detection for compositional data using robust methods

Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F08%3A00005487" target="_blank" >RIV/61989592:15310/08:00005487 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—

Result language
angličtina
Original language name
Outlier detection for compositional data using robust methods
Original language description
Outlier detection based on the Mahalanobis distance (MD) requires an appropriate transformation in case of compositional data. For the family of logratio transformations (additive, centered and isometric logratio transformation) it is shown that the MDsbased on classical estimates are invariant to these transformations, and that the MDs based on affine equivariant estimators of location and covariance are the same for additive and isometric logratio transformation. Moreover, for 3-dimensional compositions the data structure can be visualized by contour lines, and in higher dimension the MDs of closed and opened data give an impression of the multivariate data behavior.
Czech name
Detekce odlehlých hodnot pro kompoziční data užirím robustních metod
Czech description
Pro detekci odlehlých hodnot užitím Mahalanobisových vzdáleností je v případě kompozičních dat potřeba speciální transformace. Jako nejvhodnější z teoretického i praktického hlediska se jeví rodina tzv. logratio transformací.

Type
J<sub>x</sub> - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)
CEP classification
BA - General mathematics
OECD FORD branch
—

Publication year
2008
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Similar results(10)