Condividiamo l’abstract di un articolo scientifico redatto da Luca Greco – Professore Associato di Statistica presso l’Università Giustino Fortunato. In questo lavoro gli autori considerano un modello mistura con componenti Wrapped Normlal multivariate per la classificazione di dati circolari non omogenei su un toro p-dimensionale. La stima del modello viene effettuato mediante un algoritmo EM (di classificazione) annidato. La procedura considera due fonti di incompletezza: l’ appartenenza ai gruppi e i vettori dei coefficienti che descrivono la periodicità dei dati circolari. Il comportamento su campioni finiti del metodo proposto è stato analizzato mediante studi numerici Monte Carlo ed esempi su dati reali. I materiali supplementari dell’articolo, compresi i dati e i codici R per l’implementazione dei metodi, l’esecuzione delle simulazioni e l’analisi dei dati replicati, sono disponibili online.
Luca Greco is Associate Professor in Statistics at the University Giustino Fortunato in Benevento. He obtained his PhD in Statistics from the Department of Statistical Sciences of the University of Padova in 2005. He passed the evaluation for the Italian national qualification (ASN) to be a Full Professor in Statistics in 2020. He is a member of the Italian Statistical Society. His research interests includes robustness, likelihood theory, weighted likelihood, mixture modeling, unsupervised learning, circular statistics, growth models, applied to the study of Covid-19 evolution.He recently published a research article on Journal of Computational and Graphical Statistics entitled Finite mixtures of multivariate Wrapped Normal distributions for model based clustering of p-torus data, joint work with Novi Inverardi, P., Agostinelli, C. from the University of Trento, https://doi.org/10.1080/10618600.2022.2128808. In this paper, the authors consider a finite mixture model of multivariate Wrapped Normal distributions for model based classification of non homogeneous circular data on a p-dimensional torus. Model fitting is carried out through a nested (classification) EM algorithm, by exploiting the ideas of unwrapping circular data. The procedure considers two sources of incompleteness: unobserved group memberships and unobserved vectors of wrapping coefficients. The finite sample behavior of the proposed method has been investigated by Monte Carlo numerical studies and real data examples. Supplemental materials for the article, including data and R codes for implementing methods, running simulations and replicate data analyses, are available online.
Luca Greco è professore associato di Statistica presso l’Università Giustino Fortunato di Benevento. Ha conseguito il dottorato di ricerca in Statistica presso il Dipartimento di Scienze Statistiche dell’Università di Padova nel 2005. Ha superato la valutazione per l’abilitazione nazionale (ASN) a professore ordinario di Statistica nel 2020. È membro della Società Italiana di Statistica. I suoi interessi di ricerca includono la robustezza, la teoria della verosimiglianza, la verosimiglianza pesata, i modelli mistura, l’apprendimento non supervisionato, l’analisi di dati circolari, i modelli di crescita applicati allo studio dell’evoluzione del Covid-19.
Recentemente ha pubblicato un articolo scientifico su Journal of Computational and Graphical Statistics dal titolo Finite mixtures of multivariate Wrapped Normal distributions for model based clustering of p-torus data, lavoro congiunto con Novi Inverardi, P., Agostinelli, C. dell’Università di Trento, https://doi.org/10.1080/10618600.2022.2128808. In questo lavoro gli autori considerano un modello mistura con componenti Wrapped Normlal multivariate per la classificazione di dati circolari non omogenei su un toro p-dimensionale. La stima del modello viene effettuato mediante un algoritmo EM (di classificazione) annidato. La procedura considera due fonti di incompletezza: l’ appartenenza ai gruppi e i vettori dei coefficienti che descrivono la periodicità dei dati circolari. Il comportamento su campioni finiti del metodo proposto è stato analizzato mediante studi numerici Monte Carlo ed esempi su dati reali. I materiali supplementari dell’articolo, compresi i dati e i codici R per l’implementazione dei metodi, l’esecuzione delle simulazioni e l’analisi dei dati replicati, sono disponibili online.