کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
1147638 1489760 2015 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Difference-based variance estimation in nonparametric regression with repeated measurement data
ترجمه فارسی عنوان
برآورد واریانس مبتنی بر تفاوت در رگرسیون غیر پارامتری با داده های اندازه گیری مکرر
کلمات کلیدی
عادی همبستگی، برآوردگر مبتنی بر تفاوت، کمترین مربعات، رگرسیون غیر پارامتری، اندازه گیری های تکراری واریانس باقی مانده،
ترجمه چکیده
در سه دهه گذشته، علاقه به برآوردگرهای واریانس ارزان رقابتی در رگرسیون غیر پارامتری به شدت افزایش یافته است. یک خانواده از برآوردگرانی که برای برآوردن این کار تلاش کرده اند برآوردگرهای مبتنی بر تفاوت هستند. بر خلاف همتایان مبتنی بر باقی مانده، برآوردگرهای مبتنی بر تفاوت، نیازی به تخمین عملکرد متوسط ​​ندارند و لذا در عمل کاربرد دارند. این کار علاوه بر برآوردگرهای مبتنی بر تفاوت در روش اندازه گیری مکرر برای مدل های رگرسیون غیر پارامتری نیز توسعه می دهد. سه روش مبتنی بر تفاوت برای پیش بینی واریانس در هر دو روش اندازه گیری تکرار متوازن و عدم تعادل ارائه شده است: روش واریانس نمونه، روش پارتیشن بندی و روش توالی. هر دو خواص آستانه آنها و عملکرد نمونه محدودی مورد بررسی قرار می گیرند. روش توالی بندی بیشترین سازگاری را نشان می دهد در حالیکه روش واریانس نمونه و روش پارتیشن بندی در موارد خاص به کار برده می شود.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
پیش نمایش مقاله
برآورد واریانس مبتنی بر تفاوت در رگرسیون غیر پارامتری با داده های اندازه گیری مکرر
چکیده انگلیسی
Over the past three decades, interest in cheap yet competitive variance estimators in nonparametric regression has grown tremendously. One family of estimators which has risen to meet the task is the difference-based estimators. Unlike their residual-based counterparts, difference-based estimators do not require estimating the mean function and are therefore popular in practice. This work further develops the difference-based estimators in the repeated measurement setting for nonparametric regression models. Three difference-based methods are proposed for the variance estimation under both balanced and unbalanced repeated measurement settings: the sample variance method, the partitioning method, and the sequencing method. Both their asymptotic properties and finite sample performance are explored. The sequencing method is shown to be the most adaptive while the sample variance method and the partitioning method are shown to outperform in certain cases.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Statistical Planning and Inference - Volume 163, August 2015, Pages 1-20
نویسندگان
, , , ,