Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "nonparametric series regression" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
Convergence rates of orthogonal series regression estimators
Autorzy:
Popiński, Waldemar
Powiązania:
https://bibliotekanauki.pl/articles/1208155.pdf
Data publikacji:
2000
Wydawca:
Polska Akademia Nauk. Instytut Matematyczny PAN
Tematy:
orthonormal system
nonparametric series regression
least squares method
convergence rate
Opis:
General conditions for convergence rates of nonparametric orthogonal series estimators of the regression function f(x)=E(Y | X = x) are considered. The estimators are obtained by the least squares method on the basis of a random observation sample (Y_i,X_i), i=1,...,n, where $X_i ∈ A ⊂ ℝ^d$ have marginal distribution with density $ϱ ∈ L^1(A)$ and Var( Y | X = x) is bounded on A. Convergence rates of the errors $E_X(f(X)-\widehat f_N(X))^2$ and $\Vert f-\widehat f_N\Vert_∞$ for the estimator $\widehat f_N(x) = \sum_{k=1}^N\widehat c_ke_k(x)$, constructed using an orthonormal system $e_k$, k=1,2,..., in $L^2(A)$ are obtained.
Źródło:
Applicationes Mathematicae; 2000, 27, 4; 445-454
1233-7234
Pojawia się w:
Applicationes Mathematicae
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Orthogonal series regression estimators for an irregularly spaced design
Autorzy:
Popiński, Waldemar
Powiązania:
https://bibliotekanauki.pl/articles/1208167.pdf
Data publikacji:
2000
Wydawca:
Polska Akademia Nauk. Instytut Matematyczny PAN
Tematy:
convergence rates
nonparametric regression
orthogonal series estimator
Opis:
Nonparametric orthogonal series regression function estimation is investigated in the case of a fixed point design where the observation points are irregularly spaced in a finite interval [a,b]i ⊂ ℝ. Convergence rates for the integrated mean-square error and pointwise mean-square error are obtained in the case of estimators constructed using the Legendre polynomials and Haar functions for regression functions satisfying the Lipschitz condition.
Źródło:
Applicationes Mathematicae; 2000, 27, 3; 309-318
1233-7234
Pojawia się w:
Applicationes Mathematicae
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wybrane aspekty nieparametrycznego prognozowania nieliniowych szeregów czasowych
Several Aspects of Nonparametric Prediction of Nonlinear Time Series
Autorzy:
Orzeszko, Witold
Powiązania:
https://bibliotekanauki.pl/articles/964958.pdf
Data publikacji:
2018
Wydawca:
Główny Urząd Statystyczny
Tematy:
regresja nieparametryczna
nieparametryczne prognozowanie
metody jądrowe
nieliniowe szeregi czasowe
analiza Monte Carlo
nonparametric regression
nonparametric forecasting
kernel
smoothers
nonlinear time series
monte carlo study
Opis:
Regresja nieparametryczna stanowi obiecujące, lecz jednocześnie wciąż niedoceniane podejście do modelowania finansowych i ekonomicznych szeregów czasowych. Polega ona na konstrukcji modeli nieparametrycznych, w których zależność pomiędzy zmiennymi nie jest wyrażona w postaci funkcji o określonej postaci analitycznej lub parametry charakteryzujące tę zależność należą do przestrzeni nieskończenie wymiarowej. W przeciwieństwie do modeli parametrycznych, modele nieparametryczne nie są ograniczone do określonej z góry postaci, lecz pozwalają „mówić danym samym za siebie”. Z tego względu wydają się interesującym narzędziem prognozowania zwłaszcza w przypadku nieliniowych szeregów czasowych. W zakresie nieparametrycznych metod regresji na szczególną uwagę zasługują estymatory, które w swojej konstrukcji wykorzystują funkcje jądrowe. Spośród nich najczęściej stosowanym jest estymator Nadarai-Watsona, choć obecnie znane są pewne rozwinięcia tego podejścia. Jednym z nich jest Lokalna Jądrowa Regresja Liniowa, będąca połączeniem estymacji jądrowej i lokalnej aproksymacji liniowej. W pracy przeprowadzono symulacje Monte Carlo, mające na celu ocenę przydatności metod regresji jądrowej do prognozowania nieliniowych szeregów czasowych i porównanie ich z innymi metodami prognozowania.
Nonparametric regression is an alternative to the parametric approach, which consists of applying parametric models, i.e. models of the certain functional form with a fixed number of parameters. As opposed to the parametric approach, nonparametric models have a general form, which can be approximated increasingly precisely when the sample size grows. Hereby they do not impose such restricted assumptions about the form of the modelling dependencies and in consequence, they are more flexible and let the data speak for themselves. That is why they are a promising tool for forecasting, especially in case of nonlinear time series. One of the most popular nonparametric regression method is the NadarayaWatson kernel smoothing. Nowadays, there are a number of variations of this method, like the local-linear kernel estimator, which combines the local linear approximation and the kernel estimator. In the paper a Monte Carlo study is conducted in order to assess the usefulness of the kernel smoothers to nonlinear time series forecasting and to compare them with the other techniques of forecasting.
Źródło:
Przegląd Statystyczny; 2018, 65, 1; 7-24
0033-2372
Pojawia się w:
Przegląd Statystyczny
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies