ProblÃ¨mes de rÃ©duction de dimension pour la rÃ©gression en ... - Isped

More documents

Recommendations

Info

Les conditions d’identifiabilité Modèle non linéaire Nouvel estimateur de F (x, y) Modèle de régression single-indexDéfinitionDéfinition du modèle non linéaireModèle de régression non linéaireOn supposeE[Y |X = x] = f (θ 0 , x),où f fonction connue, θ 0 ∈ Θ ⊂ R k .Cas particulier : régression linéaire, f (θ 0 , x) = θ ′ 0 x.Sous l’Hypothèse forte :Koul, Susarla, Van Ryzin (1981), Leurgans (1987), Zhou(1992), régression linéaireStute (1999), Delecroix, Lopez, Patilea (2006), non linéaireSous l’Hypothèse faible :Heuchenne et Van Keilegom (2007a) : RégressionpolynomialeHeuchenne et Van Keilegom (2007b) : non linéaireDans ces deux derniers cas, d = 1
Les conditions d’identifiabilité Modèle non linéaire Nouvel estimateur de F (x, y) Modèle de régression single-indexDéfinitionDéfinition du modèle non linéaireModèle de régression non linéaireOn supposeE[Y |X = x] = f (θ 0 , x),où f fonction connue, θ 0 ∈ Θ ⊂ R k .Cas particulier : régression linéaire, f (θ 0 , x) = θ ′ 0 x.Sous l’Hypothèse forte :Koul, Susarla, Van Ryzin (1981), Leurgans (1987), Zhou(1992), régression linéaireStute (1999), Delecroix, Lopez, Patilea (2006), non linéaireSous l’Hypothèse faible :Heuchenne et Van Keilegom (2007a) : RégressionpolynomialeHeuchenne et Van Keilegom (2007b) : non linéaireDans ces deux derniers cas, d = 1
Page 2 and 3: Les conditions d’identifiabilité
Page 84 and 85:
Les conditions d’identifiabilité
Page 86 and 87:
Page 88 and 89:
Page 90 and 91:
Page 92 and 93:
Page 94 and 95:
Page 96 and 97:
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
show all

ProblÃ¨mes de rÃ©duction de dimension pour la rÃ©gression en ... - Isped

Create successful ePaper yourself

Delete template?

Save as template?