Estudio de simulación para comparar varios estimadores de varianza en el marco de la regresión no paramétrica

Autores/as

  • Alvaro José Flórez Profesor auxiliar. Escuela de Estadística, Universidad del Valle, Colombia
  • Javier Olaya Profesor titular. Escuela de Estadística, Universidad del Valle, Colombia

DOI:

https://doi.org/10.15332/s2027-3355.2014.0001.04

Palabras clave:

estimadores basados en diferencias, diferencias ordinarias, diferencias óptimas, distribución semi-normal

Resumen

En este trabajo se prueban varios estimadores de varianza basados en diferencias en el marco de la regresión no paramétrica. Estos estimadores tiene la principal ventaja de no depender de los parámetros de suavización, además de que son poco exigente en términos  computacionales. Se usan principalmente estimadores basados en diferencias ordinarias y basados en las diferencias óptimas de Hall. Se crean escenarios utilizando diferentes funciones de regresión, tamaños de muestra y distribuciones de los errores y se introduce el uso de la distribución semi-normal para probar los estimadores de varianza en casos de distribuciones asimétricas de los errores. Los resultados parecen apoyar la idea de que los estimadores basados en diferencias óptimas de Hall no son mejores en todos los escenarios planteados.

Biografía del autor/a

Alvaro José Flórez, Profesor auxiliar. Escuela de Estadística, Universidad del Valle, Colombia

Profesor AuxiliarEscuela de EstadísticaUniversidad del Valle

Javier Olaya, Profesor titular. Escuela de Estadística, Universidad del Valle, Colombia

Profesor TitularEscuela de EstadísticaUniversidad del Valle

Citas

Altman, N. S. (1992), ‘An introduction to kernel and nearest-neighbor nonparametric regression’, The American Statistician 46(3), 175–185.

Bowman, A. W. & Azzalini, A. (1997), Applied Smoothing Techniques for Data Analysis. The Kernel Approach with S-plus Illustrations, Oxford University Press.

Brown, L. D. & Levine, M. (2007), ‘Variance estimation in nonparametric regression via the difference sequence method’, Annals of Statistics 35(5), 2219–2232.

Buckley, M. J., Eagleson, G. K. & Silverman, B. W. (1988), ‘The estimation of residual variance in nonparametric regression’, Biometrika 75(2), 189–199.

Carter, C. K. & Eagleson, G. K. (1992), ‘A Comparison of Variance Estimators in Nonparametric Regression’, Journal of the Royal Statistical Society, Series B 54(3), 773–780.

Cleveland, W. S. (1979), ‘Robust Locally Weighted Regression and Smoothing Scatterplots’, Journal of the American Statistical Association 74(368), 829-836.

Dette, H., Munk, A. & Wagner, T. (1998), ‘Estimating the Variance in Nonparametric Regression. What is a Reasonable Choice?’, Journal of the Royal Statistical Society, Series, B 60(4), 751–764.

Draper, N. R. & Smith, H. (1966), Applied Regression Analysis, John Wiley & Sons, New York.

Draper, N. R. & Smith, H. (1998), Applied Regression Analysis, 3 edn, John Wiley & Sons, New York.

Eubank, R. L. (1998), Nonparametric Regression and Spline Smoothing, 2 edn, Marcel Dekker, New York.

Gasser, T., Sroka, L. & Jennen-Steinmetz, C. (1986), ‘Residual variance and residual pattern in nonlinear regression’, Biometrika 73(3), 625–633.

Hall, P., Kay, J. W. & Titterington, D. M. (1990), ‘Asymptotically optimal difference-based estimation of variance in nonparametric regression’, Biometrika 77(3), 521–528.

Hall, P. & Marron, J. S. (1990), ‘On variance estimation in nonparametric regression’, Biometrika 77(2), 415–419.

Levine, M. (2006), ‘Bandwidth selection for a class of difference-based variance estimators in the nonparametric regression: A possible approach’, Journal Computational Statistics & Data Analysis 50(12), 3405–3431.

Olaya, J. (2012), Métodos de regresión no paramétrica, Programa Editorial Universidad del Valle, Colombia.

Olmos, N. M., Varela, H., Gómez, H. W. & Bolfarine, H. (2012), ‘An extension of the half-normal distribution’, Statistical Papers 53(4), 875–886.

Rice, J. (1984), ‘Bandwidth choice for nonparametric regression’, Annals of Statistics 12(4), 1215–1230.

Seifert, B. & Gasser, T. (1993), ‘Nonparametric estimation of residual variance revisited’, Biometrika 80(2), 373–383.

Wahba, G. (1978), ‘Improper priors, spline smoothing, and the problem of guarding against model errors in regression’, Journal of the Royal Statistical Society, Series, B 40(3), 364–372.

Descargas

Archivos adicionales

Publicado

2014-06-20

Cómo citar

Flórez, A. J., & Olaya, J. (2014). Estudio de simulación para comparar varios estimadores de varianza en el marco de la regresión no paramétrica. Comunicaciones En Estadística, 7(1), 49–66. https://doi.org/10.15332/s2027-3355.2014.0001.04

Número

Sección

Artículos