Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://doi.org/10.11606/T.45.2013.tde-19062013-153433 |
Resumo: | Nesta tese consideramos um modelo de regressão não paramétrica, quando a variável explicativa e um processo estritamente estacionário e alpha-mixing. São estudadas as condições sobre o processo Xt e sua estrutura de dependência, assim como do domínio da função f a ser estimada. Também são feitas as adaptações necessárias aos procedimentos para obter as taxas de convergência do risco para a norma Lp, no caso de ondaletas deformadas. Em relação às ondaletas adaptativas de Haar, obtêm-se as taxas de convergência do risco do estimador proposto. Mediante estudos de simulação, e avaliado o desempenho dos procedimentos propostos quando aplicados a amostras finitas sob diferentes níveis de perturbação do sinal e diferentes tamanhos da amostra. Também são feitas aplicações a dados reais. |
id |
USP_b994c016d92c1685263ca073ac740e45 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-19062013-153433 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas Nonparametric regression with stationary mixing processes. 2013-01-22Pedro Alberto MorettinChang ChiannSilvia Regina Costa LopesAluísio de Souza PinheiroJoão Ricardo SatoLuz Marina Gomez GomezUniversidade de São PauloEstatísticaUSPBR adapted Haar wavelet. alpha-mixing alpha-mixing nonparametric regression ondaleta ondaleta adaptativa de Haar ondaleta deformada processo estacionário regressão não paramétrica stationary process warped wavelet wavelet Nesta tese consideramos um modelo de regressão não paramétrica, quando a variável explicativa e um processo estritamente estacionário e alpha-mixing. São estudadas as condições sobre o processo Xt e sua estrutura de dependência, assim como do domínio da função f a ser estimada. Também são feitas as adaptações necessárias aos procedimentos para obter as taxas de convergência do risco para a norma Lp, no caso de ondaletas deformadas. Em relação às ondaletas adaptativas de Haar, obtêm-se as taxas de convergência do risco do estimador proposto. Mediante estudos de simulação, e avaliado o desempenho dos procedimentos propostos quando aplicados a amostras finitas sob diferentes níveis de perturbação do sinal e diferentes tamanhos da amostra. Também são feitas aplicações a dados reais. In this thesis we consider a nonparametric regression model, when the exploratory variables are alpha-mixing stationary processes. We obtain convergence rates for risk for Lp norm, via warped wavelets, under suitable regularity conditions. For estimation using design adapted Haar wavelets we obtain convergence rates for the risk of the proposed estimator. The performance of the estimators are assessed via simulation studies with dierent sample sizes and dierent signal-to-noise ratios. Applications to real data are also given. https://doi.org/10.11606/T.45.2013.tde-19062013-153433info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USP2023-12-21T19:24:39Zoai:teses.usp.br:tde-19062013-153433Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212023-12-22T12:54:55.283736Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.pt.fl_str_mv |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
dc.title.alternative.en.fl_str_mv |
Nonparametric regression with stationary mixing processes. |
title |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
spellingShingle |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas Luz Marina Gomez Gomez |
title_short |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
title_full |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
title_fullStr |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
title_full_unstemmed |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
title_sort |
Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas |
author |
Luz Marina Gomez Gomez |
author_facet |
Luz Marina Gomez Gomez |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Pedro Alberto Morettin |
dc.contributor.referee1.fl_str_mv |
Chang Chiann |
dc.contributor.referee2.fl_str_mv |
Silvia Regina Costa Lopes |
dc.contributor.referee3.fl_str_mv |
Aluísio de Souza Pinheiro |
dc.contributor.referee4.fl_str_mv |
João Ricardo Sato |
dc.contributor.author.fl_str_mv |
Luz Marina Gomez Gomez |
contributor_str_mv |
Pedro Alberto Morettin Chang Chiann Silvia Regina Costa Lopes Aluísio de Souza Pinheiro João Ricardo Sato |
description |
Nesta tese consideramos um modelo de regressão não paramétrica, quando a variável explicativa e um processo estritamente estacionário e alpha-mixing. São estudadas as condições sobre o processo Xt e sua estrutura de dependência, assim como do domínio da função f a ser estimada. Também são feitas as adaptações necessárias aos procedimentos para obter as taxas de convergência do risco para a norma Lp, no caso de ondaletas deformadas. Em relação às ondaletas adaptativas de Haar, obtêm-se as taxas de convergência do risco do estimador proposto. Mediante estudos de simulação, e avaliado o desempenho dos procedimentos propostos quando aplicados a amostras finitas sob diferentes níveis de perturbação do sinal e diferentes tamanhos da amostra. Também são feitas aplicações a dados reais. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-01-22 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://doi.org/10.11606/T.45.2013.tde-19062013-153433 |
url |
https://doi.org/10.11606/T.45.2013.tde-19062013-153433 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade de São Paulo |
dc.publisher.program.fl_str_mv |
Estatística |
dc.publisher.initials.fl_str_mv |
USP |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Universidade de São Paulo |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1794502862420574208 |