Repositório Digital

A- A A+

Um estudo comparativo de estimadores de regressões não-paramétricas aditivas: performance em amostras finitas

.

Um estudo comparativo de estimadores de regressões não-paramétricas aditivas: performance em amostras finitas

Mostrar registro completo

Estatísticas

Título Um estudo comparativo de estimadores de regressões não-paramétricas aditivas: performance em amostras finitas
Autor Cortes, Renan Xavier
Orientador Silva, Fernando Augusto Boeira Sabino da
Data 2010
Nível Graduação
Instituição Universidade Federal do Rio Grande do Sul. Instituto de Matemática. Curso de Estatística: Bacharelado.
Assunto Estimadores Backfitting
Estimativa de erro
Simulação de Monte Carlo
Resumo Nesta monografia, conduzimos um exercício de simulação de Monte Carlo a fim de investigar algumas características em amostras finitas de três estimadores baseados em kernels disponíveis: o estimador Backfitting Clássico (CBF), o estimador Smooth Backfitting (SBF) e o estimador de 2 estágios (2E) proposto por Kim et. al. (1999). Diferentes escolhas do parâmetro de suavização foram estudadas, diferentes métodos de suavização, bem como diferentes níveis de correlação. A comparação é baseada nas estimativas da média dos erros quadráticos médios de cada estimador. Os resultados do nosso estudo sugerem que o estimador Backfitting Clássico é superior aos outros dentro das especificações dos cenários propostos.
Tipo Trabalho de conclusão de graduação
URI http://hdl.handle.net/10183/24871
Arquivos Descrição Formato
000749685.pdf (856.9Kb) Texto completo Adobe PDF Visualizar/abrir

Este item está licenciado na Creative Commons License

Este item aparece na(s) seguinte(s) coleção(ões)


Mostrar registro completo

Percorrer



  • O autor é titular dos direitos autorais dos documentos disponíveis neste repositório e é vedada, nos termos da lei, a comercialização de qualquer espécie sem sua autorização prévia.
    Projeto gráfico elaborado pelo Caixola - Clube de Criação Fabico/UFRGS Powered by DSpace software, Version 1.8.1.