A variable selection procedure for depth measures

Abstract

We herein introduce variable selection procedures based on depth similarity, aimed at identifying a small subset of variables that can better explain the depth assigned to each point in space. Our study is not intended to deal with the case of high-dimensional data. Identifying noisy and dependent variables helps us understand the underlying distribution of a given dataset. The asymptotic behaviour of the proposed methods and numerical aspects concerning the computational burden are studied. Furthermore, simulations and a real data example are analysed.

Aquí presentamos procedimientos de selección de variables basados ​​en la similitud de profundidad, con el objetivo de identificar un pequeño subconjunto de variables que puedan explicar mejor la profundidad asignada a cada punto en el espacio. Nuestro estudio no pretende abordar el caso de datos de alta dimensión. Identificar variables ruidosas y dependientes nos ayuda a comprender la distribución subyacente de un conjunto de datos determinado. Se estudia el comportamiento asintótico de los métodos propuestos y aspectos numéricos relacionados con la carga computacional. Además, se analizan simulaciones y un ejemplo de datos reales.

Introduzimos aqui procedimentos de seleção de variáveis ​​baseados na similaridade de profundidade, com o objetivo de identificar um pequeno subconjunto de variáveis ​​que possam explicar melhor a profundidade atribuída a cada ponto no espaço. Nosso estudo não pretende lidar com o caso de dados de alta dimensão. A identificação de variáveis ​​barulhentas e dependentes nos ajuda a compreender a distribuição subjacente de um determinado conjunto de dados. O comportamento assintótico dos métodos propostos e aspectos numéricos relativos à carga computacional são estudados. Além disso, são analisadas simulações e um exemplo de dados reais.