Simplical depth estimators and tests in examples from shape analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F08%3A00061100" target="_blank" >RIV/00216224:14310/08:00061100 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Simplical depth estimators and tests in examples from shape analysis

Popis výsledku v původním jazyce

In this paper we present the maximum simplicial depth estimator and compare it to the ordinary least square estimator in examples from 2D and 3D shape analysis focusing on bivariate and multivariate allometrical problems from zoology and biological anthropology. We compare two types of estimators derived under different subsets of parametric space on the basis of the linear regression model, theta = (theta1, theta2)T in R2 and theta = (theta1, theta2, theta3)T in R3, where theta3 = 0. We also discuss monotonically decreasing linear regression models in special situations. In applications where outliers in x- or y-axis direction occur in the data and residuals from ordinary least-square linear regression model are not normally distributed, we recommendthe use of the maximum simplicial depth estimators.

Název v anglickém jazyce

Simplical depth estimators and tests in examples from shape analysis

Popis výsledku anglicky

In this paper we present the maximum simplicial depth estimator and compare it to the ordinary least square estimator in examples from 2D and 3D shape analysis focusing on bivariate and multivariate allometrical problems from zoology and biological anthropology. We compare two types of estimators derived under different subsets of parametric space on the basis of the linear regression model, theta = (theta1, theta2)T in R2 and theta = (theta1, theta2, theta3)T in R3, where theta3 = 0. We also discuss monotonically decreasing linear regression models in special situations. In applications where outliers in x- or y-axis direction occur in the data and residuals from ordinary least-square linear regression model are not normally distributed, we recommendthe use of the maximum simplicial depth estimators.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

—

Návaznosti

R - Projekt Ramcoveho programu EK

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Tatra Mountains Mathematical Publications

ISSN

1210-3195

e-ISSN

—

Svazek periodika

39

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

SK - Slovenská republika

Počet stran výsledku

10

Strana od-do

95-104

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—