Regressão não paramétrica com processos estacionários alpha-mixing via ondaletas

Detalhes bibliográficos
Autor(a) principal: Luz Marina Gomez Gomez
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

Registros relacionados