کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869144 681495 2016 27 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Generalized nonparametric smoothing with mixed discrete and continuous data
ترجمه فارسی عنوان
صاف کردن غیر پارامتری عمومی با داده های مخلوط گسسته و پیوسته
کلمات کلیدی
رگرسیون گسسته، رگرسیون غیر پارامتری، صاف کردن هسته، اعتبار سنجی متقابل، هموار خطی محلی،
ترجمه چکیده
روش صاف کردن غیر پارامتری با رگرسیون گسسته و مستمر مخلوط در نظر گرفته شده است. به طور کلی پذیرفته شده است که بهتر است متغیرهای گسسته را صاف کنید، که مشابه روش صاف کردن رگولاتورهای مداوم است، اما با استفاده از هسته های گسسته. با این حال، چنین رویکردی ممکن است منجر به یک مشکل بالقوه شود که با انتخاب پهنای باند برای رگولاتورهای مداوم به دلیل حضور رگرسیون های گسسته ارتباط دارد. از طریق مطالعه عددی، مشخص شده است که در بسیاری از موارد، عملکرد برآوردهای رگرسیون غیر پارامتری ممکن است بدتر شود اگر متغیرهای گسسته با همان شیوه ای که پیش از این خطاب شده است، صاف شوند و تخمین کاملا جداگانه بدون هیچ گونه هموار کردن متغیرهای گسسته به طور قابل توجهی بهتر برای هر دو جهت تعصب و واریانس. به عنوان یک راه حل، تعمیم ساده روش تطبیق غیر پارامتری با هر دو داده گسسته و پیوسته برای حل این مشکل پیشنهاد شده است و برای ارائه برآوردها با عملکرد قوی تر پیشنهاد می شود. نظریه آسیمپتوسیت برای روش صاف کردن غیر پارامتری جدید توسعه یافته است و رفتار نمونه محدودی از رویکرد تعمیم یافته پیشنهاد شده از طریق آزمایشات مونت کارلو گسترده و همچنین یک تصویر تجربی مورد مطالعه قرار گرفته است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
صاف کردن غیر پارامتری عمومی با داده های مخلوط گسسته و پیوسته
چکیده انگلیسی
The nonparametric smoothing technique with mixed discrete and continuous regressors is considered. It is generally admitted that it is better to smooth the discrete variables, which is similar to the smoothing technique for continuous regressors but using discrete kernels. However, such an approach might lead to a potential problem which is linked to the bandwidth selection for the continuous regressors due to the presence of the discrete regressors. Through the numerical study, it is found that in many cases, the performance of the resulting nonparametric regression estimates may deteriorate if the discrete variables are smoothed in the way previously addressed, and that a fully separate estimation without any smoothing of the discrete variables may provide significantly better results both for bias and variance. As a solution, it is suggested a simple generalization of the nonparametric smoothing technique with both discrete and continuous data to address this problem and to provide estimates with more robust performance. The asymptotic theory for the new nonparametric smoothing method is developed and the finite sample behavior of the proposed generalized approach is studied through extensive Monte-Carlo experiments as well an empirical illustration.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 100, August 2016, Pages 424-444
نویسندگان
, , ,