una tecnica per la regressione locale - Department of Mathematics ...

More documents

Recommendations

Info

Bibliografia[1] Cleveland, W. S., Grosse, E., e Shyu, W. M. (1992) Local RegressionModels. Statistical Models in S, Editors: Chambers, J., Hastie, T.,Wadsworth & Brooks/Cole Advanced Books & Software Pacific Grove,California[2] Loader, C. (2004) Smoothing: Local Regression Techniques. Handbookof Computational Statistics, Editors: Gentle, J. Hardle, W. e Mori, Y.,Springer-Verlag, Heidelberg[3] Azzalini, A. e Scarpa, B. (2004) Analisi dei dati e Data mining, Springer-Verlag Italia, Milano[4] Farin, G. (1990) Curves and Surfaces for Computer Aided Design: APractical Guide, 2nd ed., New York: Academic Press[5] Eubank, R.L. (1988) Spline Smoothing and Nonparametric Regression(Statistics, Textbooks and Monographs: vol.90), D.B. Owen, CoordinatingEditor, Department of Statistics, Southern Methodist UniversityDallas, Texas[6] Wahba G. (1990) Splines Models for Observational Data, Society for Industrialand Applied Mathematics, 3600 University City Science Center,Philadelphia, Pennsylvania[7] Quarteroni, A., Sacco, R. e Saleri, F. (2000) Matematica Numerica(seconda edizione), Springer-Verlag Italia, Milano102
Page 1 and 2:
POLITECNICO DI MILANOFacoltà di In
Page 3 and 4:
IndiceIntroduzione 31 La regression
Page 5 and 6:
IntroduzioneArgomento di questa tes
Page 7 and 8:
logia propria della regressione lin
Page 9 and 10:
1.1.2 Caratteristiche dei termini d
Page 11 and 12:
Esempi illustrativiPer mostrare ope
Page 13 and 14:
sta interpolando anche i termini di
Page 15 and 16:
il quadrato di uno di essi, ciò ch
Page 17 and 18:
1.3 Inferenza statistica1.3.1 Stima
Page 19 and 20:
parametriche nelle quali i due valo
Page 21 and 22:
1.3.3 Il numero di parametri equiva
Page 23 and 24:
1.3.4 Errori con distribuzione simm
Page 25 and 26:
1.4 Metodi computazionali per la va
Page 27 and 28:
Figura 1.7: albero k − dIn Figura
Page 29 and 30:
mente interpolanti univariati, ovve
Page 31 and 32:
di lisciamento, è fissato ed è so
Page 33 and 34:
Figura 2.2: α = 0.1Figura 2.3: α
Page 35 and 36:
2.1.2 Funzioni di tipo splineUn’a
Page 37 and 38:
formulazione generale del tipoy = g
Page 39 and 40:
dall’integrale di g ′′ (x) 2
Page 41 and 42:
La funzione smooth.spline di R offr
Page 43 and 44:
E(ĝ(x)) − g(x) = g(x)g ′′ (x
Page 45 and 46:
2.2.3 Gradi di libertàNei modelli
Page 47 and 48:
2.3.1 Determinare il valore dei par
Page 49 and 50:
zata, applicata giustamente in quan
Page 51 and 52:
Essendo σ 2 la varianza dei termin
Page 53 and 54: Capitolo 3Tecniche a confrontoTutte
Page 55 and 56: Figura 3.2: osservazioni perturbate
Page 57 and 58: che costituisce lo spazio dei predi
Page 59 and 60: Figura 3.7: presenza di outliersIn
Page 61 and 62: Figura 3.9: stime ottenute tramite
Page 63 and 64: family da quello di default, gaussi
Page 65 and 66: Figura 3.11: esempio di regressione
Page 67 and 68: molto rapidamente, quindi se il num
Page 69 and 70: 1. V 1: depositi bancari e postali2
Page 71 and 72: Figura 4.2: istogramma relativo all
Page 73 and 74: zona geografica, sesso e titolo di
Page 75 and 76: superficie ottenuta è stata stimat
Page 77 and 78: tra Nord e Sud e Isole.interazione
Page 79 and 80: Figura 4.14: Italia, donneDalle cur
Page 81 and 82: Figura 4.18: Nord, donneFigura 4.19
Page 83 and 84: Figura 4.22: Centro, donneFigura 4.
Page 85 and 86: Figura 4.26: Sud e Isole, donneDa t
Page 87 and 88: Figura 4.29: Italia, basso titolo d
Page 89 and 90: Figura 4.32: Nord 1 − (V 1 + V 2)
Page 91 and 92: Figura 4.36: Centro 1 − (V 1 + V
Page 93 and 94: Figura 4.40: Sud e Isole 1 − (V 1
Page 95 and 96: Figura 4.43: grafico dei residuiQue
Page 97 and 98: appena rimarcati, l’ampiezza di b
Page 99 and 100: Appendice ALe funzioni R utilizzate
Page 101 and 102: method : di default assume il valor
Page 103: cv : serve per selezionare il param
show all

una tecnica per la regressione locale - Department of Mathematics ...

Create successful ePaper yourself

Delete template?

Save as template?