Mostrar el registro sencillo del ítem
dc.contributor.author
Cook, R. Dennis
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Forzani, Liliana Maria
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.date.available
2019-01-14T20:32:38Z
dc.date.issued
2018-03
dc.identifier.citation
Cook, R. Dennis; Forzani, Liliana Maria; Big data and partial least-squares prediction; Wiley Blackwell Publishing, Inc; Canadian Journal Of Statistics-revue Canadienne de Statistique; 46; 1; 3-2018; 62-78
dc.identifier.issn
0319-5724
dc.identifier.uri
http://hdl.handle.net/11336/68003
dc.description.abstract
We give a commentary on the challenges of big data for Statistics. We then narrow our discussion to one of those challenges: dimension reduction. This leads to consideration of one particular dimension reduction method—partial least-squares (PLS) regression—for prediction in big high-dimensional regressions where the sample size and the number of predictors are both large. We show that in some regression contexts single-component PLS predictions converge at the usual root-n rate as n,p → ∞ regardless of the relationship between the sample size n and number of predictors p. Asymptotically, PLS predictions then behave as regression predictions in the usual context where p is fixed and n→ ∞ These results support the conjecture that PLS regression can be an effective method for prediction in big high-dimensional regressions.
dc.format
application/pdf
dc.language.iso
eng
dc.publisher
Wiley Blackwell Publishing, Inc
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.rights
info:eu-repo/semantics/openAccess
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.subject
Abundant Regressions
dc.subject
Data Science
dc.subject
Dimension Reduction
dc.subject
Msc 2010: Primary 62j05
dc.subject
Secondary 62f12
dc.subject
Sparse Regressions
dc.subject.classification
Matemática Pura
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.subject.classification
Matemáticas
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.title
Big data and partial least-squares prediction
dc.type
info:eu-repo/semantics/article
dc.type
info:ar-repo/semantics/artículo
dc.type
info:eu-repo/semantics/publishedVersion
dc.date.updated
2019-01-04T21:37:07Z
dc.journal.volume
46
dc.journal.number
1
dc.journal.pagination
62-78
dc.journal.pais
Reino Unido
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.journal.ciudad
Londres
dc.description.fil
Fil: Cook, R. Dennis. University of Minnesota; Estados Unidos
dc.description.fil
Fil: Forzani, Liliana Maria. Universidad Nacional del Litoral. Facultad de Ingeniería Química. Departamento de Matemáticas; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe; Argentina
dc.journal.title
Canadian Journal Of Statistics-revue Canadienne de Statistique
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/https://doi.org/10.1002/cjs.11316
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://onlinelibrary.wiley.com/doi/full/10.1002/cjs.11316
Archivos asociados