Robustness for compositional data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F13%3A33144753" target="_blank" >RIV/61989592:15310/13:33144753 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Robustness for compositional data

Popis výsledku v původním jazyce

Compositional data, data containing relative rather than absolute information, need to be transformed to the usual Euclidean geometry before the standard statistical tools can be applied. Different possible transformations and their properties are discussed. For robust multivariate methods based on a robust covariance estimation, it is crucial to use a transformation that avoids singularity issues. Moreover, the robust location and covariance estimators need to be affine equivariant in order to obtain invariance of the results from the transformation used. Here, different robust multivariate methods are discussed for compositional data analysis, like principal component and discriminant analysis, and applied to a data set from geochemistry.

Název v anglickém jazyce

Robustness for compositional data

Popis výsledku anglicky

Compositional data, data containing relative rather than absolute information, need to be transformed to the usual Euclidean geometry before the standard statistical tools can be applied. Different possible transformations and their properties are discussed. For robust multivariate methods based on a robust covariance estimation, it is crucial to use a transformation that avoids singularity issues. Moreover, the robust location and covariance estimators need to be affine equivariant in order to obtain invariance of the results from the transformation used. Here, different robust multivariate methods are discussed for compositional data analysis, like principal component and discriminant analysis, and applied to a data set from geochemistry.

Druh

C - Kapitola v odborné knize

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/EE2.3.20.0170" target="_blank" >EE2.3.20.0170: Budování výzkumně-vzdělávacího týmu v oblasti modelování přírodních jevů a využití geoinformačních systémů, s vazbou na zapojení do mezinárodních sítí a programů.</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název knihy nebo sborníku

Robustness and Complex Data Structures

ISBN

978-3-642-35493-9

Počet stran výsledku

15

Strana od-do

117-131

Počet stran knihy

406

Název nakladatele

Springer

Místo vydání

Berlin

Kód UT WoS kapitoly

—