Sparsity of Principal Component Analysis on Presence of Outliers
Message:
Abstract:
‎The Principal Components Analysis is one of the popular exploratory approaches to reduce the dimension and to describe the main source of variation among data‎. ‎Despite many benefits‎, ‎it is encountered with some problems in multivariate analysis‎. ‎Having outliers among data significantly influences the results of this method and it sounds a robust version of PCA is beneficial  in this case‎. ‎In addition‎, ‎having moderate loadings in the final results makes the interpretation of principal components rather difficult‎. ‎One can consider a version of sparse components in this case‎. ‎We study a hybrid approach consisting of joint robust and sparse components and conduct some simulations to evaluate and compare it with other traditional methods‎. ‎The proposed technique is implemented in a real-life example dealing with the crime rate in the USA‎.
Language:
Persian
Published:
Andishe-ye Amari, Volume:24 Issue: 1, 2019
Pages:
117 to 128
magiran.com/p2051230  
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!