Static finite mixture model of multivariate skew-normal distributions to cluster multivariatetime series based on generalized autoregressive score approach

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 33

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJNAA-16-4_003

تاریخ نمایه سازی: 24 شهریور 1403

چکیده مقاله:

This paper proposes an observation-driven finite mixture model for clustering high-dimension data. A simple algorithm using static hidden variables statically clusters the data into separate model components. The model accommodates normal and skew-normal distributed mixtures with time-varying component means, covariance matrices and skewness coefficient. These parameters are estimated using the EM algorithm and updated with the Generalized Autoregressive Scale (GAS) approach. Our proposed model is preferably clustered using a skew-normal distribution rather than a normal distribution when dealing with real data that may be skewed and asymmetrical. Finally, our proposed model will be evaluated using a simulation study and the results will be discussed using a real data set.

نویسندگان

Solmaz Yaghoubi

Science and Research Branch, Islamic Azad University, Tehran, Iran

Rahman Farnoosh

School of Mathematics, Iran University of Science and Technology, Tehran, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. Azzalini, A class of distributions which includes the normal ...
  • A. Azzalini and A.D. Valle, The multivariate skew-normal distribution, Biometrika ...
  • C.C. Aggarwal and C.K. Reddy, Data Clustering, Algorithms and Applications, ...
  • J. Bai and S. Ng, Determining the number of factors ...
  • M.A. Benjamin, R.A. Rigby, and D.M. Stasinopoulos, Generalized autoregressive moving ...
  • L. Catania, Dynamic adaptive mixture models, University of Rome Tor ...
  • D. Creal, S. Koopman, and A. Lucas, Generalized autoregressive score ...
  • D. Creal, B. Schwaab, S.J. Koopman, and A. Lucas, An ...
  • D.L. Davies and D.W. Bouldin, A cluster separation measure, IEEE ...
  • R.C. De Amorim and C. Hennig, Recovering the number of ...
  • A.P. Dempster, N.M. Laird, and D.B. Rubin, Maximum likelihood from ...
  • S. Fruehwirth-Schnatter and S. Kaufmann, Model-based clustering of multiple time ...
  • A. Hajrajabi and M. Maleki, Nonlinear semiparametric autoregressive model with ...
  • A.C. Harvey, Dynamic Models for Volatility and Heavy Tails, with ...
  • C.M. Hurvich and C.-L. Tsai, Regression and time series model ...
  • T.I. Lin, J.C. Lee, and W.J. Hsieh, Robust mixture modeling ...
  • T.I. Lin, J.C. Lee, and S.Y. Yen, Finite mixture modelling ...
  • T.I. Lin, Maximum likelihood estimation for multivariate skew normal mixture ...
  • A. Maruotti, A. Punzo, and L. Bagnato, Hidden Markov and ...
  • G. McLachlan and D. Peel, Finite Mixture Models, Wiley, ۲۰۰۰ ...
  • D. Peel and G.J. McLachlan, Robust mixture modelling using the ...
  • A. Punzo and A. Maruotti, Clustering multivariate longitudinal observations: The ...
  • N. Shephard, Generalized linear Autoregressions, Nuffield College, University of Oxford, ...
  • Y. Wang, R.S. Tsay, J. Ledolter, and K.M. Shrestha, Forecasting ...
  • نمایش کامل مراجع