J 2017

Bandwidth Selection Problem in Nonparametric Functional Regression

KURUCZOVÁ, Daniela a Jan KOLÁČEK

Základní údaje

Originální název

Bandwidth Selection Problem in Nonparametric Functional Regression

Autoři

KURUCZOVÁ, Daniela (703 Slovensko, domácí) a Jan KOLÁČEK (203 Česká republika, garant, domácí)

Vydání

Statistika: Statistics and Economy Journal, Prague, Czech Statistical Office, 2017, 0322-788X

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10103 Statistics and probability

Stát vydavatele

Česká republika

Utajení

není předmětem státního či obchodního tajemství

Odkazy

Kód RIV

RIV/00216224:14310/17:00094996

Organizační jednotka

Přírodovědecká fakulta

UT WoS

000419161000009

Klíčová slova anglicky

Functional data; nonparametric regression; kernel methods; bandwidth selection

Štítky

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 29. 3. 2018 10:16, Ing. Nicole Zrilić

Anotace

V originále

The focus of this paper is the nonparametric regression where the predictor is a functional random variable, and the response is a scalar. Functional kernel regression belongs to popular nonparametric methods used for this purpose. The two key problems in functional kernel regression are choosing an optimal smoothing parameter and selecting an appropriate semimetric as a distance measure. The former is the focus of this paper – several data-driven methods for optimal bandwidth selection are described and discussed. The performance of these methods is illustrated in a real data application. A conclusion is drawn that local bandwidth selection methods are more appropriate in the functional setting.

Návaznosti

GA15-06991S, projekt VaV
Název: Analýza funkcionálních dat a související témata
Investor: Grantová agentura ČR, Analýza funkcionálních dat a související témata