Bandwidth matrix selectors for kernel regression
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F17%3A00094524" target="_blank" >RIV/00216224:14310/17:00094524 - isvavai.cz</a>
Výsledek na webu
<a href="http://is.muni.cz/auth/repo/1319858/template_cost.pdf" target="_blank" >http://is.muni.cz/auth/repo/1319858/template_cost.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/s00180-017-0709-3" target="_blank" >10.1007/s00180-017-0709-3</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Bandwidth matrix selectors for kernel regression
Popis výsledku v původním jazyce
Choosing a bandwidth matrix belongs to the class of significant problems in multivariate kernel regression. The problem consists of the fact that a theoretical optimal bandwidth matrix depends on the unknown regression function which to be estimated. Thus data-driven methods should be applied. A method proposed here is based on a relation between asymptotic integrated square bias and asymptotic integrated variance. Statistical properties of this method are also treated. The last two sections are devoted to simulations and an application to real data.
Název v anglickém jazyce
Bandwidth matrix selectors for kernel regression
Popis výsledku anglicky
Choosing a bandwidth matrix belongs to the class of significant problems in multivariate kernel regression. The problem consists of the fact that a theoretical optimal bandwidth matrix depends on the unknown regression function which to be estimated. Thus data-driven methods should be applied. A method proposed here is based on a relation between asymptotic integrated square bias and asymptotic integrated variance. Statistical properties of this method are also treated. The last two sections are devoted to simulations and an application to real data.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10103 - Statistics and probability
Návaznosti výsledku
Projekt
<a href="/cs/project/GA15-06991S" target="_blank" >GA15-06991S: Analýza funkcionálních dat a související témata</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Computational Statistics
ISSN
0943-4062
e-ISSN
1613-9658
Svazek periodika
32
Číslo periodika v rámci svazku
3
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
20
Strana od-do
1027-1046
Kód UT WoS článku
000406683400010
EID výsledku v databázi Scopus
2-s2.0-85009458362