The minimum weighted covariance determinant estimator for high-dimensional data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00546694" target="_blank" >RIV/67985556:_____/22:00546694 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/67985807:_____/22:00546601
Výsledek na webu
<a href="https://link.springer.com/article/10.1007/s11634-021-00471-6" target="_blank" >https://link.springer.com/article/10.1007/s11634-021-00471-6</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/s11634-021-00471-6" target="_blank" >10.1007/s11634-021-00471-6</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
The minimum weighted covariance determinant estimator for high-dimensional data
Popis výsledku v původním jazyce
In a variety of diverse applications, it is very desirable to perform a robust analysis of high-dimensional measurements without being harmed by the presence of a possibly larger percentage of outlying measurements. The minimum weighted covariance determinant (MWCD) estimator, based on implicit weights assigned to individual observations, represents a promising and flexible extension of the popular minimum covariance determinant (MCD) estimator of the expectation and scatter matrix of mlutivariate data. In this work, a regularized version of the MWCD denoted as the minimum regularized weighted covariance determinant (MRWCD) estimator is proposed. At the same time, it is accompanied by an outlier detection procedure. The novel MRWCD estimator is able to outperform other available robust estimators in several simulation scenarios, especially in estimating the scatter matrix of contaminated high-dimensional data.
Název v anglickém jazyce
The minimum weighted covariance determinant estimator for high-dimensional data
Popis výsledku anglicky
In a variety of diverse applications, it is very desirable to perform a robust analysis of high-dimensional measurements without being harmed by the presence of a possibly larger percentage of outlying measurements. The minimum weighted covariance determinant (MWCD) estimator, based on implicit weights assigned to individual observations, represents a promising and flexible extension of the popular minimum covariance determinant (MCD) estimator of the expectation and scatter matrix of mlutivariate data. In this work, a regularized version of the MWCD denoted as the minimum regularized weighted covariance determinant (MRWCD) estimator is proposed. At the same time, it is accompanied by an outlier detection procedure. The novel MRWCD estimator is able to outperform other available robust estimators in several simulation scenarios, especially in estimating the scatter matrix of contaminated high-dimensional data.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10101 - Pure mathematics
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Advances in Data Analysis and Classification
ISSN
1862-5347
e-ISSN
1862-5355
Svazek periodika
16
Číslo periodika v rámci svazku
4
Stát vydavatele periodika
DE - Spolková republika Německo
Počet stran výsledku
23
Strana od-do
977-999
Kód UT WoS článku
000705729800001
EID výsledku v databázi Scopus
2-s2.0-85116552764