Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Kapitel 3<br />
Lokal polynomiale Modellierung<br />
Gegeben sei e<strong>in</strong> Datensatz Ω = {(x 1 , y 1 ), . . . , (x n , y n )} bestehend aus den vektoriellen<br />
E<strong>in</strong>gabewerten x i und den jeweiligen skalaren Ausgabewerten y i . Gesucht ist nun<br />
e<strong>in</strong> Schätzer für die skalare Ausgabe e<strong>in</strong>es Anfragepunktes q, welcher häufig auch<br />
als Query bezeichnet wird. Gesucht ist somit e<strong>in</strong>e Schätzung f(x) für die Regression<br />
m(x) = E(Y | X = x).<br />
Bei <strong>der</strong> lokal polynomialen Modellierung besteht <strong>der</strong> Ansatz <strong>in</strong> e<strong>in</strong>er Taylor-Entwicklung<br />
<strong>in</strong> <strong>der</strong> Umgebung des Punktes q bis zu e<strong>in</strong>em vorgegebenen Grad p<br />
m(x) ≈ m(q) + m ′ (q)(x − q) + 1 2 m′′ (q)(x − q) 2 + . . . + m(p) (q)<br />
(x − q) p<br />
p!<br />
≡ ν 0 (q) + ν 1 (q) · (x − q) + ν 2 (q) · (x − q) 2 + . . . + ν p (q) · (x − q) p .<br />
(3.1)<br />
Die Koeffizienten werden über die übliche Methode <strong>der</strong> kle<strong>in</strong>sten Quadrate bestimmt,<br />
d.h. die Summe <strong>der</strong> quadratischen Abweichungen zwischen Modell und bekannten<br />
Datenpunkten<br />
P (ν) =<br />
n∑ p∑<br />
{y i − ν j (x i − q) j } 2 K h (x i − q) (3.2)<br />
i=1 j=0<br />
ist zu m<strong>in</strong>imieren. Die Funktion K h ist e<strong>in</strong>e sog. Kernfunktion, die jeden Punkt<br />
<strong>in</strong> Abhängigkeit von se<strong>in</strong>em Abstand zum Anfragepunkt wichtet und von ke<strong>in</strong>en<br />
an<strong>der</strong>en Größen abhängt. Der Parameter h <strong>der</strong> Kernfunktion wird als Bandbreite<br />
bezeichnet und legt die Größe <strong>der</strong> <strong>lokale</strong>n Nachbarschaft fest. Die Kernfunktion<br />
macht das Modell somit überhaupt erst lokal und durch den Bandbreite-Parameter<br />
wird <strong>der</strong> Grad <strong>der</strong> Lokalität gesteuert.<br />
36