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-indexPropriétés asymptotiquesSimulationsY = 1/d(X (1) − X (2) + ...X (d) ) + ε, où ε ∼ N (m, 1),X ∼ U[0, 1] ⊗d .Conditionnellement à X, C ∼ E(e β′ 0 X /5).On estime E[Y ] = ∫ ∫X ydF (x, y).Comparaison entre l’estimateur de Van Keilegom etAkritas, estimateur avec β 0 connu, avec β 0 estimé.Choix de h à partir des données :∫I(h) = y1 y≤τ d ˆF f (x, y; h),ĥ =∫arg min (y − I(h)) 2 d ˆF f (x, y; h 0 ).h∈H n
Les conditions d’identifiabilité Modèle non linéaire Nouvel estimateur de F (x, y) Modèle de régression single-indexPropriétés asymptotiquesSimulationsY = 1/d(X (1) − X (2) + ...X (d) ) + ε, où ε ∼ N (m, 1),X ∼ U[0, 1] ⊗d .Conditionnellement à X, C ∼ E(e β′ 0 X /5).On estime E[Y ] = ∫ ∫X ydF (x, y).Comparaison entre l’estimateur de Van Keilegom etAkritas, estimateur avec β 0 connu, avec β 0 estimé.Choix de h à partir des données :∫I(h) = y1 y≤τ d ˆF f (x, y; h),ĥ =∫arg min (y − I(h)) 2 d ˆF f (x, y; h 0 ).h∈H n
Page 2 and 3:
Les conditions d’identifiabilité
Page 4 and 5:
Page 6 and 7:
Page 8 and 9:
Page 10 and 11:
Page 12 and 13:
Page 14 and 15:
Page 16 and 17:
Page 18 and 19:
Page 20 and 21:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 32 and 33:
Page 34 and 35:
Page 36 and 37:
Page 38 and 39:
Page 40 and 41:
Page 42 and 43:
Page 44 and 45: Les conditions d’identifiabilité
show all

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

Create successful ePaper yourself

Delete template?

Save as template?