Bandwidth matrix selectors for kernel regression

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>

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.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

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)

Rok uplatnění

2017

Kód důvěrnosti údajů

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

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