Quantile Non-parametric Additive Models

• Autorzy: Grażyna Trzpiot

Warianty tytułu

Kwantylowe nieparametryczne modele addytywne

• Języki publikacji: EN

Abstrakty

EN

Quantile regression allows us to assess different possible impacts of covariates on different quantiles of a response variable. Additive models for quantile functions provide an attractive framework for non-parametric regression applications focused on functions of the response instead of its central tendency. Total variation smoothing penalties can be used to control the smoothness of additive components. We write down a general approach to estimation and inference for additive models of this type. Quantile regression as a risk measure has been applied in sector portfolio analysis for a data set from the Warsaw Stock Exchange. (original abstract)

Regresja kwantylowa jest narzędziem analitycznym, które pozwala na ocenę oddziaływania zmiennych wyjaśniających, współzależnych na różne kwantyle zmiennej wyjaśnianej. Addytywne modele funkcji kwantylowych stanowią atrakcyjne ramy dla nieparametrycznych aplikacji regresji skoncentrowanych na funkcjach kwantyli zamiast na ich centralnej tendencji. W celu kontrolowania gładkości składników dodatkowych można zastosować kary za całkowite wygładzanie zmian. W artykule przedstawiono ogólne podejście do estymacji i wnioskowania dla modeli addytywnych tego typu. Regresja kwantylowa wykorzystywana jako miara ryzyka została zastosowana w analizie portfela sektorowego dla zbioru danych z Giełdy Papierów Wartościowych w Warszawie. (abstrakt oryginalny)

Słowa kluczowe

EN

Quantile regression; Nonparametric regression; Analytical tools; Estimation

PL

Regresja kwantylowa; Regresja nieparametryczna; Narzędzia analityczne; Estymacja

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2019
• Numer: vol. 6, t. 345
• Strony: 127--139

Twórcy

autor

Grażyna Trzpiot

• University of Economics in Katowice, Poland

Bibliografia

• Breiman L., Friedman J. (1985), Estimating optimal transformations for multiple regression and correlation, "Journal of the American Statistical Association", vol. 80, no. 391, pp. 580-598.
• Hastie T., Tibshirani R. (1986), Generalized Additive Models, "Statistical Science", no. 1, pp. 297-310.
• Hastie T., Tibshirani R. (1990), Generalized Additive Models, Chapman-Hall, New York.
• https://mfasiolo.github.io/qgam/articles/qgam.html (accessed: 5.11.2018).
• Koenker R., Mizera I. (2004), Penalized triograms: total variation regularization for bivariate smoothing, "Journal of the Royal Statistical Society" (B), no. 66, pp. 145-163.
• Koenker R., Ng P. (2005), A Frisch-Newton Algorithm for Sparse Quantile Regression, "Mathematicae Applicatae Sinica", no. 21, pp. 225-236.
• Koenker R., Ng P., Portnoy S. (1994), Quantile smoothing splines, "Biometrika", no. 81, pp. 673-680.
• Lindsey J. K. (1997), Applying Generalized Linear Model, Springer, Berlin.
• Wood S. (2006), Generalized Additive Models: An Introduction with R., Chapman-Hall, New York.
• Wood S. (2010), Mixed GAM Computation Vehicle with Automatic Smoothness Estimation, https://cran.r-project.org/web/packages/mgcv/mgcv.pdf (accessed: 12.12.2019).
• Wood S. N. (2017). Generalized additive models: an introduction with R, CRC press, New York.
• Wood S. N., Pya N., Säfken B. (2016), Smoothing parameter and model selection for general smooth models, "Journal of the American Statistical Association", vol. 111(516), pp. 1548-1575.

Identyfikatory

DOI

10.18778/0208-6018.345.07