文章基本信息

标题：Sparse Gaussian graphical mixture model
本地全文：下载
作者：Anani Lotsi ; Ernst Wit
期刊名称：Afrika Statistika
印刷版ISSN：2316-090X
出版年度：2016
卷号：11
期号：2
页码：1041-1059
语种：English
出版社：African journals online
摘要：This paper considers the problem of networks reconstruction from heterogeneous data using a Gaussian Graphical Mixture Model (GGMM). It is well known that parameter estimation in this context is challenging due to large numbers of variables coupled with the degenerate nature of the likelihood. We propose as a solution a penalized maximum likelihood technique by imposing an l1 penalty on the precision matrix. Our approach shrinks the parameters thereby resulting in better identiability and variable selection.Resume. Cet article considere le probleme de la reconstruction de reseaux a partir de donnees heterogenes en utilisant le modele graphique gaussien memange (GGMM en Anglais). Il est connu que l'estimation parametrique, dans ce contexte, n'est pas aise acause du grand nombre de variable et de la nature degeneree de la vraisemblance. Nous proposons comme une solution une methode de penalisation du maximum de vraisemblance en imposant une penalite de type L1 sur la precision de la matrice. Notre methode reduit les parametres et ainsi aboutit a une meilleure identication et a un meilleur choix des variables.