文献

J-GLOBAL ID：201902289575120819   整理番号：19A0313040

大規模データ行列の探索因子分析【JST・京大機械翻訳】

Exploratory factor analysis of large data matrices

著者 (2件)： Trendafilov Nickolay T. (School of Mathematics and Statistics, Open University, Milton Keynes, UK) ,  Fontanella Sara (Department of Medicine, Imperial College London, London, UK)
資料名： Statistical Analysis and Data Mining  (Statistical Analysis and Data Mining)
巻： 12  号： 1  ページ： 5-11  発行年： 2019年 
JST資料番号： W2749A  ISSN： 1932-1864  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 今日,最も興味深い応用は,観測より多くの変数を持つデータを持ち,次元縮小を必要とする。このようなデータにより,標準探索因子分析(EFA)は適用できない。最近,一般化されたEFA(GEFA)モデルが,あらゆるタイプのデータを扱うために提案された:垂直データ(観測より少ない変数)と水平データ(観測より多くの変数)。関連するアルゴリズム,GEFALSは非常に効率的であるが,数千の変数でデータを扱うことができない。本研究はGEFALSを修正し,新しい非常に速いバージョン,GEFANを提案した。これは,パラメータ行列の次元をランクに合わせることにより達成され,従って,冗長な計算を避けることができる。GEFALSとGEFANアルゴリズムを,良く知られたデータと数値的に比較した。Copyright 2019 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 冗長性 ,  次元縮小 ,  アルゴリズム ,  *因子分析
準シソーラス用語： *大規模データ , 【Automatic Indexing@JST】

著者キーワード (3件)： 交互反復 ,  問題の問題 ,  ランク不等式

分類 (3件)： 数値計算  (JE02000J) ,  その他のオペレーションズリサーチの手法  (KA03070E) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： 大規模データ ,  行列 ,  探索 ,  因子分析