Niektóre zastosowania nieparametrycznych estymatorów regresji

• Autorzy: Mieczysław Dobija , Edward Smaga

Warianty tytułu

Some Applications of Non-Parametric Regression Estimators

• Języki publikacji: PL

Abstrakty

Celem artykułu jest zaproponowanie konkretnej formuły nieparametrycznego estymatora regresji typu "jądro", wprowadzenie estymatora z losowym parametrem skali oraz przedstawienie dwóch przykładów zastosowań. Zastosowania te dotyczą szacowania wielkości ekonomicznych przy dowolnych uwarunkowaniach oraz ekstrapolacji funkcji regresji poza obszar obserwacji. (fragment tekstu)

EN

In the paper, there is proposed a certain version of non-parametric regression estimator of "nucleus"type with random scale parameter. There is presented an application of this estimator to estimation of certain economic variables in terms of any conditions, as well as to extrapolation of regression functions, beyond the range of observations. (short original abstract)

Słowa kluczowe

PL

Estymatory; Modele regresji; Korelacja

EN

Estimators; Regression models; Correlation

• Czasopismo: Przegląd Statystyczny
• Rocznik: 1987
• Tom: 34
• Numer: z. 1
• Strony: 19--28

Twórcy

autor

Mieczysław Dobija

• Akademia Ekonomiczna w Krakowie

autor

Edward Smaga

• Akademia Ekonomiczna w Krakowie

Bibliografia

• [1] Collomb G,, Nonparametric regression: an up-to-date bibliography, Math. Operationsforsch, Statistica 16 (1985).
• [2] Dobija M., Smaga E., Miary prawdopodobieństwa w empirycznym poznawaniu rzeczywistości, IV Seminarium Naukowe im. Zbigniewa Pawłowskiego i XXII Konferencja Ekonometryków, Statystyków i Matematyków Akademii Ekonomicznych. Ustroń-Jaszowiec 17 - 19 IV 1986.
• [3] Dobija M, Smaga E., Własności estymatorów momentów generowanych przez splotową dystrybucję empiryczną, Przegląd Statystyczny, 2 (1985), s, 103 - 109.
• [4] Fisz M., Rachunek prawdopodobieństwa i statystyka matematyczna, PWN, Warszawa 1967.
• [5] Hellwig Z., Antoniewicz R., Miszczak W., Idealne rozklady zmiernych losowych. Przegląd Statystyczny 3/4 (1981), s. 157 - 180.
• [6] Hellwig Z., Regresja liniowa i jej zastosowanie w ekonomii, PWE, Warszawa 1967.
• [7] Mack Y. P,, Local properties of k-NN regression estimates, Journal on Algorithms of Discrete Mathematics 2 (1981), s. 311 - 323.
• [8] Mack Y. P., Silverman B. W,, Weak and strong uniform consistency of kernel regression estimates, Wahrscheinlichkeitstheorie verw. Gebiete 61 (198i), s. 405 - 415.
• [9] Mańczak K., Metody identyfikacji wielowymiarowych obiektów sterowania, WNT, Warszawa 1970.
• [10] Nadaraya E. A., On estimating regression, Theory Probability Application 9(1964), s. 141-142.
• [11] Noda Ki., Estimation of regression function by the Parzen Kernel-type density estimators, Annals of Statistical Mathematics, 28 (1976), s. 221 - 234.
• [12] Parzen E., On estimation of a probability density function and mode, Annals of Mathematical Statistics 33 (1962), s. 1065 - 1076.
• [13] Pawłowski Z., Ekonometria, PWN Warszawa 1966.
• [14] Rosenblatt M., Conditional probability density and regression estimates, In Multivariate Analysis II, Krishnaiab, 1969, s. 25 - 31.
• [15] Rosenblatt M., Remarks on some estimates of a density function. Annals of Mathematical Statistics 27 (1956), s. 823 - 837.
• [16] Silverman B. W,, Weak and strong uniform consistency of the kernel estimate of a density and its derivatives, Annals of Statistics 6 (1978), s. 177 - 184.
• [17] Swiesznikow A. A., Podstawowe metody funkcji losowych, PWN, Warszawa 1965.
• [18] Watson G. S., Smooth regression analysis, Sankhya Ser. A 26 (1964), s. 359 - 372.
• [19] Wegman E. J., Nonparametric probability density estimation, A summary of available methods Technometrics, 14 (1972), s. 533 - 546.
• [20] Wertz W., Schneider B., Statistical density estimation a bibliography, International Statistical Review, 47 1979, s, 155 - 175.
• [21] Wiaderek L., Zastosowanie empirycznych rozkładów prawdopodobieństwa do sterowania. Pomiary, Automatyka, Kontrola 7/8, SIGMA, 1984, s. 27 - 28, 29 - 32.
• [22] Wong W. H., On the consistency of cross-valiolation in kernel nonparametric regression. Annals of Statistics 11 (1983), s. 1136-1141.