Regressão modal : estimação consistente via regressão quantílica suavizada

Detalhes bibliográficos
Autor(a) principal: Finn, Eduardo Schirmer
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/276884
Resumo: Em cenários de distribuições altamente assimétricas ou de caudas pesadas, métodos baseados na média, ou na mediana, podem não conseguir capturar as tendências centrais dos dados. Esta deficiência dos métodos tradicionais fomentou o surgimento de modelos de moda condicional como uma alternativa válida. Entretanto, a estimação da moda condicional de uma variável dado suas covariadas apresenta alguns desafios: abordagens não paramétricas estão passivas a baixas taxas de convergência e à “maldição da dimensionalidade”, enquanto estratégias semi-paramétricas (modelos lineares) podem levar a problemas de otimização não convexos. Propõe-se um novo tipo de estimador de regressão modal, construído pela inversão da densidade quantílica condicional. Contrapondo com outras abordagens na literatura, estima-se a função de densidade quantílica invertendo uma variante convolucional suavizada do modelo de regressão quantílica. O estimador resultando é consistente, além do benefício de possuir convergência uniforme com relação aos pontos das covariadas e à largura da banda.
id URGS_033726fc2e12224cb814645b99b4415c
oai_identifier_str oai:www.lume.ufrgs.br:10183/276884
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Finn, Eduardo SchirmerHorta, Eduardo de Oliveira2024-08-03T06:31:27Z2024http://hdl.handle.net/10183/276884001207859Em cenários de distribuições altamente assimétricas ou de caudas pesadas, métodos baseados na média, ou na mediana, podem não conseguir capturar as tendências centrais dos dados. Esta deficiência dos métodos tradicionais fomentou o surgimento de modelos de moda condicional como uma alternativa válida. Entretanto, a estimação da moda condicional de uma variável dado suas covariadas apresenta alguns desafios: abordagens não paramétricas estão passivas a baixas taxas de convergência e à “maldição da dimensionalidade”, enquanto estratégias semi-paramétricas (modelos lineares) podem levar a problemas de otimização não convexos. Propõe-se um novo tipo de estimador de regressão modal, construído pela inversão da densidade quantílica condicional. Contrapondo com outras abordagens na literatura, estima-se a função de densidade quantílica invertendo uma variante convolucional suavizada do modelo de regressão quantílica. O estimador resultando é consistente, além do benefício de possuir convergência uniforme com relação aos pontos das covariadas e à largura da banda.For highly skewed or fat-tailed distributions, mean or median-based methods may be inadequate to capture centrality in the data. This deficiency of traditional methods has fostered the emergence of conditional mode models as a valuable approach. However, estimating the conditional mode of a variable given certain covariates presents challenges: nonparametric approaches suffer from the “curse of dimensionality”, while the semiparametric strategy can lead to non-convex optimization problems. We propose a novel estimator for mode regression, constructed by inverting the conditional quantile density. Unlike existing approaches in the literature, we estimate the quantile density function by inverting a convolution-type smoothed variant of the quantile regression model. Our resulting estimator is consistent, with the benefit of having uniform convergence with respect to both the design points of the covariates and to the bandwidth.application/pdfporRegressão modalQuantil condicionalTeoria assintoticaConvergencia uniformeMode regressionConvolution-based smoothingConditional quantileAsymptotic theoryUniform convergenceRegressão modal : estimação consistente via regressão quantílica suavizadainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de Matemática e EstatísticaPrograma de Pós-Graduação em EstatísticaPorto Alegre, BR-RS2024mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001207859.pdf.txt001207859.pdf.txtExtracted Texttext/plain80460http://www.lume.ufrgs.br/bitstream/10183/276884/2/001207859.pdf.txt32314095390e796c89e4ece164a1af1eMD52ORIGINAL001207859.pdfTexto completoapplication/pdf752971http://www.lume.ufrgs.br/bitstream/10183/276884/1/001207859.pdf8b062839513252f9798daa067b020e48MD5110183/2768842024-08-04 06:24:39.851943oai:www.lume.ufrgs.br:10183/276884Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-08-04T09:24:39Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Regressão modal : estimação consistente via regressão quantílica suavizada
title Regressão modal : estimação consistente via regressão quantílica suavizada
spellingShingle Regressão modal : estimação consistente via regressão quantílica suavizada
Finn, Eduardo Schirmer
Regressão modal
Quantil condicional
Teoria assintotica
Convergencia uniforme
Mode regression
Convolution-based smoothing
Conditional quantile
Asymptotic theory
Uniform convergence
title_short Regressão modal : estimação consistente via regressão quantílica suavizada
title_full Regressão modal : estimação consistente via regressão quantílica suavizada
title_fullStr Regressão modal : estimação consistente via regressão quantílica suavizada
title_full_unstemmed Regressão modal : estimação consistente via regressão quantílica suavizada
title_sort Regressão modal : estimação consistente via regressão quantílica suavizada
author Finn, Eduardo Schirmer
author_facet Finn, Eduardo Schirmer
author_role author
dc.contributor.author.fl_str_mv Finn, Eduardo Schirmer
dc.contributor.advisor1.fl_str_mv Horta, Eduardo de Oliveira
contributor_str_mv Horta, Eduardo de Oliveira
dc.subject.por.fl_str_mv Regressão modal
Quantil condicional
Teoria assintotica
Convergencia uniforme
topic Regressão modal
Quantil condicional
Teoria assintotica
Convergencia uniforme
Mode regression
Convolution-based smoothing
Conditional quantile
Asymptotic theory
Uniform convergence
dc.subject.eng.fl_str_mv Mode regression
Convolution-based smoothing
Conditional quantile
Asymptotic theory
Uniform convergence
description Em cenários de distribuições altamente assimétricas ou de caudas pesadas, métodos baseados na média, ou na mediana, podem não conseguir capturar as tendências centrais dos dados. Esta deficiência dos métodos tradicionais fomentou o surgimento de modelos de moda condicional como uma alternativa válida. Entretanto, a estimação da moda condicional de uma variável dado suas covariadas apresenta alguns desafios: abordagens não paramétricas estão passivas a baixas taxas de convergência e à “maldição da dimensionalidade”, enquanto estratégias semi-paramétricas (modelos lineares) podem levar a problemas de otimização não convexos. Propõe-se um novo tipo de estimador de regressão modal, construído pela inversão da densidade quantílica condicional. Contrapondo com outras abordagens na literatura, estima-se a função de densidade quantílica invertendo uma variante convolucional suavizada do modelo de regressão quantílica. O estimador resultando é consistente, além do benefício de possuir convergência uniforme com relação aos pontos das covariadas e à largura da banda.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-08-03T06:31:27Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/276884
dc.identifier.nrb.pt_BR.fl_str_mv 001207859
url http://hdl.handle.net/10183/276884
identifier_str_mv 001207859
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/276884/2/001207859.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/276884/1/001207859.pdf
bitstream.checksum.fl_str_mv 32314095390e796c89e4ece164a1af1e
8b062839513252f9798daa067b020e48
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1810085647629680640

Registros relacionados