JOINT RANK AND VARIABLE SELECTION FOR PARSIMONIOUS ESTIMATION IN A HIGH-DIMENSIONAL FINITE MIXTURE REGRESSION MODEL

Abstract : We study a dimensionality reduction technique for finite mixtures of high-dimensional multivariate response regression models. Both the dimension of the response and the number of predictors are allowed to exceed the sample size. We consider predictor selection and rank reduction to obtain lower-dimensional approximations. A class of estimators with a fast rate of convergence is introduced. We apply this result to a specific procedure, introduced in [11], where the relevant predictors are selected by the Group-Lasso.
Type de document :
Pré-publication, Document de travail
2017
Liste complète des métadonnées

Littérature citée [23 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01099296
Contributeur : Emilie Devijver <>
Soumis le : mardi 14 février 2017 - 15:40:08
Dernière modification le : mercredi 29 novembre 2017 - 16:01:39
Document(s) archivé(s) le : lundi 15 mai 2017 - 15:14:54

Fichiers

script.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01099296, version 2
  • ARXIV : 1501.00442

Collections

Citation

Emilie Devijver. JOINT RANK AND VARIABLE SELECTION FOR PARSIMONIOUS ESTIMATION IN A HIGH-DIMENSIONAL FINITE MIXTURE REGRESSION MODEL. 2017. 〈hal-01099296v2〉

Partager

Métriques

Consultations de la notice

167

Téléchargements de fichiers

61