Kernel estimation of regression function gradient
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F20%3A00115009" target="_blank" >RIV/00216224:14310/20:00115009 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.tandfonline.com/doi/full/10.1080/03610926.2018.1532518" target="_blank" >https://www.tandfonline.com/doi/full/10.1080/03610926.2018.1532518</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1080/03610926.2018.1532518" target="_blank" >10.1080/03610926.2018.1532518</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Kernel estimation of regression function gradient
Popis výsledku v původním jazyce
The present paper is focused on kernel estimation of the gradient of a multivariate regression function. Despite the importance of estimating partial derivatives of multivariate regression functions, the progress is rather slow. Our aim is to construct the gradient estimator using the idea of a local linear estimator for the regression function. The quality of this estimator is expressed in terms of the Mean Integrated Square Error. We focus on a crucial problem in kernel gradient estimation the choice of bandwidth matrix. Further, we present some data-driven methods for its choice and develop a new approach based on Newton's iterative process. The performance of presented methods is illustrated using a simulation study and real data example.
Název v anglickém jazyce
Kernel estimation of regression function gradient
Popis výsledku anglicky
The present paper is focused on kernel estimation of the gradient of a multivariate regression function. Despite the importance of estimating partial derivatives of multivariate regression functions, the progress is rather slow. Our aim is to construct the gradient estimator using the idea of a local linear estimator for the regression function. The quality of this estimator is expressed in terms of the Mean Integrated Square Error. We focus on a crucial problem in kernel gradient estimation the choice of bandwidth matrix. Further, we present some data-driven methods for its choice and develop a new approach based on Newton's iterative process. The performance of presented methods is illustrated using a simulation study and real data example.
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
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Communications in Statistics - Theory and Methods
ISSN
0361-0926
e-ISSN
1532-415X
Svazek periodika
49
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
17
Strana od-do
135-151
Kód UT WoS článku
000499984200011
EID výsledku v databázi Scopus
2-s2.0-85059453090