Abstract
Data fusion consists of the process of integrating several datasets with some common variables, and other variables available only in partial datasets. The main problem of data fusion can be described as follows. From one source, having X0 and Y0 datasets (with N0 observations by multiple x and y variables, n and m of those, respectively), and from another source, having X1 data (with N1 observations by the same nx-variables), we need to estimate the missing portion of the Y1 data (of size N1 by m variables) in order to combine all the data into one set. Several algorithms are considered in this work, including estimation of weights proportional to the distances from each ith observation in the X1 "recipients" dataset to all observations in the X0 "donors" dataset. Or we can use a sample balancing technique with the maximum effective base performed by applying ridge-regression for the Gifi system of binaries obtained from the x-variables for the best fit of the "donors" X0 data to the margins defined by each respondent in the "recipients" X1 dataset. Then the weighted regressions of each y in the Y0 dataset by all variables in the X0 are constructed. For each ith observation in the dataset X0, these regressions are used for predicting the y-variables in the Y1 "recipients" dataset. If X and Y are the same n variables from different sources, the dual partial least squares technique and a special regression model with dummies defining each of the three available sets are used for prediction of the Y1 data
چکیده
تلفیق داده ها شامل فرآیندی از ادغام چندین مجموعه داده با تعدادی متغیر رایج می باشد و سایر متغیرها تنها در مجموعه داده های جزئی قابل دسترسی می باشند. مشکل اصلی در تلفیق داده ها می تواند به شرح ذیل باشد. با داشتن مجموعه داده های X0 و Y0 ( با N0 ناظر توسط متغیرهای چندگانه x و y ، n و m بترتیب) از یک منبع و داشتن دادهای X1 (با N1 ناظر توسط n متغیرx مشابه ) از یک منبع دیگر ، ما نیاز به برآورد بخشی از داده های از دست رفته از داده های Y1 ( از اندازه N1 توسط متغیرهای m ) به منظور ترکیب تمام داده ها در درون یک مجموعه داریم. الگوریتم های مختلفی برای اینکار درنظر گرفته شده اند، از جمله تخمین وزن متناسب با فاصله از هر ناظر i ام در X1 مجموعه داده دریافت کننده برای تمام ناظرها در X0 مجموعه داده اعطا کننده یا می توانیم از یک تکنیک متعادل ساده با حداکثر تاثیرگذاری پایه به وسیله استفاده از خط الراس – رگرسیون برای سیستم Gifi از باینری های بدست آمده از متغیرهای x برای بهترین تناسب از داده های X0 اعطاکنندگان برای محدوده های تعریف شده توسط هر پاسخ دهنده در مجموعه داده X1 دریافت کنند. سپس رگرسیون وزنی هر یک از y ها در مجموعه داده Y0 توسط تمام متغیرها در X0 ساخته شده اند. برای هر ناظر i ام در مجوعه داده X0 این رگرسیون ها برای پیش بینی y متغیر در Y1 مجموعه داده دریافت کنندگان استفاده شده اند. اگر x و y متغیرهای مشابهی از منابع مختلف باشند ، از تکنیک مربعات حداقل دوجزئی و یک مدل ویژه رگرسیونی با تعاریف ساختگی هر یک از سه مجموعه قابل دسترسی ، برای پیش بینی داده های Y1 استفاده می شود.
1-مقدمه
تلفیق داده شامل یکپارچه سازی منابع داده چندگانه ، با متغیر های رایج در منابع مختلف و سایر متغیر های قابل دسترسی در مجموعه داده جزئی ، برای دستیابی به یک مشارکت در کسب اطلاعات از تمام منابع می باشد...