Assessment of Covariance Selection Methods in High-Dimensional Gaussian Graphical Models
DOI:
https://doi.org/10.5540/tcam.2022.023.03.00583Palavras-chave:
Covariance selection, Gaussian graphical model, GlassoResumo
The covariance selection in Gaussian graphical models consists in selecting, based on a sample of a multivariate normal vector, all those pairs of variables that are conditionally dependent given the remaining variables. This problem is equivalent to estimate the graph identifying the nonzero elements on the off-diagonal entries of the precision matrix. There are different proposals to carry out covariance selection in high-dimensional Gaussian graphical models, such as neighborhood selection and Glasso, among others. In this paper we introduce a methodology for evaluating the performance of graph estimators, defining the notion of non-informative estimator. Through a simulation study, the empirical behavior of Glasso in different structures of the precision matrix is investigated and its performance is analyzed according to different degrees of density of the graph. Our proposal can be used for other covariance selection methods.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Esta é uma revista de acesso aberto, o que significa que todo o conteúdo é livremente disponível gratuitamente para o usuário ou sua instituição. Os usuários estão autorizados a ler, baixar, copiar, distribuir, imprimir, pesquisar ou vincular os textos completos dos artigos, ou usá-los para qualquer outro propósito legal, sem pedir permissão prévia do editor ou do autor. Isso está de acordo com a definição de acesso aberto do BOAI.
Todo o conteúdo do periódico está licenciado sob uma Licença Creative Commons do tipo atribuição BY.
