Návrhy experimentů v neparametrické regresi

Transkript

1 Návrhy eperimentů v neparametrické regresi Zdeněk Hlávka Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

2 Návrhy eperimentů v neparametrické regresi Parametrická (lineární) regrese: problémy při chybné specifikaci regresní funkce. Neparametrická regrese: odhad regresní funkce, odhad nulových bodů (polohy etrémů), ZH: zobecnění pro slabě závislá pozorování. optimální návrhy eperimentů: přehled literatury (odhady regresní funkce), ZH: návrh eperimentu pro odhad nulového bodu. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

3 Historická poznámka Lineární regrese (metoda nejmenších čtverců): Legendre (1805) Nouvelles méthodes pour la détermination des orbites des comètes. Gauss (1809) Theoria motus corporum coelestium in sectionibus conicis solem ambientium. Galton (1886) Regression towards mediocrity in hereditary stature. Journ. Anthrop. Inst. 15, Neparametrická regrese: Nadaraya (1964), Watson (1964), Gasser & Müller (1984), Fan & Gijbels (1996). Nulové body: Müller (1985), Ziegler (2003), Wieczorek & Ziegler (2010). Optimální návrh eperimentu: H.-G. Müller (1984), Faraway (1990), W.G. Müller (1996), Cheng et al (1998), Fedorov et al (1999), Titterington (2001), Biedermann & Dette (2001a,b), Hlávka (2011, 2012). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

4 Regresní model Parametrická regrese Pozorujeme dvojice (X i, Y i ), i = 1,..., n. Předpokládáme, že Y i = m(x i ) + ε i, kde ε i jsou náhodné chyby (Eε i = 0, Varε i = σ 2, X i a ε i nezávislé), a chceme odhadnout funkci m(.). Parametrická regrese: Nejčastěji se předpokládá, že m(.) je lineární a závisí pouze na několika parametrech (lineární model). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

5 Parametrická regrese Příklad: simulovaná data Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

6 Parametrická regrese Příklad: simulovaná data Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

7 Parametrická regrese Příklad: simulovaná data Lineární regrese: Ŷi = α + βx i, i = 1,..., n Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

8 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

9 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

10 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

11 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

12 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

13 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

14 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

15 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

16 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

17 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

18 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

19 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

20 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

21 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

22 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

23 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

24 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

25 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

26 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

27 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

28 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

29 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

30 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

31 Parametrická regrese Příklad: simulovaná data Kvadratická regrese: Ŷi = α + β 1 X i + β 2 X 2 i, i = 1,..., n Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

32 Parametrická regrese Příklad: simulovaná data Kubická regrese: Ŷi = α + β 1 X i + β 2 X 2 i + β 3 X 3 i, i = 1,..., n Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

33 Neparametrická regrese Neparametrické regresní modely Fleibilní modely, které nevyžadují předpoklady o tvaru regresní funkce: spliny, jádrové vyhlazování (lokálně konstantní a lokálně polynomické), regresní stromy, neuronové sítě atd. Jádrové odhady navrhli Nadaraya (1964) a Watson (1964): n mh NW i=1 () = K h( X i )Y i n i=1 K h( X i ) = n i=1 K h ( X i ) n j=1 K h( X j ) Y i, kde K h () = K(/h)/h, K(.) je jádrová funkce a h je bandwidth. Nadaraya (1964) On estimating regression, Theory of Probability and its Applications 9, Watson (1964) Smooth regression analysis, Sankyā A 26, Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

34 Neparametrická regrese My se nyní zaměříme na Gasser-Müllerův odhad vhodný pro plánované eperimenty (pevně zvolené i ), ale obdobné výsledky lze odvodit i pro jiné odhady. Gasser-Müllerův odhad m GM h () = n i=1 si s i 1 K h ( u)duy i, kde s i = ( (i) + (i+1) )/2 a K(.) je jádrová funkce řádu (ν, k). Jedná se opět o vážené průměry Y i, protože n i=1 si s i 1 K h ( u)du = K()d = 1. Gasser & Müller (1984) Estimating regression functions and their derivatives by the kernel method, Scand J Statist 11, Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

35 Neparametrická regrese O neparametrické regresi byly napsány desítky monografií. Zajímavý problém: odhad polohy bodů, ve kterých regresní funkce (nebo její derivace) nabývá dané hodnoty. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

36 Odhad nulových bodů Odhadujeme nulový bod, t.j. polohu bodu, ve kterém funkce m(.) protíná osu. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

37 Odhad nulových bodů Odhadujeme nulový bod, t.j. polohu bodu, ve kterém funkce m(.) protíná osu. y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

38 Odhad nulových bodů Odhadujeme nulový bod, t.j. polohu bodu, ve kterém funkce m(.) protíná osu. y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

39 Odhad nulových bodů Odhadujeme nulový bod, t.j. polohu bodu, ve kterém funkce m(.) protíná osu. y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

40 Odhad nulových bodů Odhadujeme nulový bod, t.j. polohu bodu, ve kterém funkce m(.) protíná osu. y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

41 Odhad nulových bodů Neparametrický odhad nulového bodu Neznámý parametr (nulový bod): ξ : m(ξ) = 0 Odhad (empirický nulový bod): ξ n : m GM h (ξ n ) = 0 Vlastnosti ξ n jako odhadu ξ jsou v článku Müller (1985) odvozeny pro iid náhodné chyby. Müller, H.-G. (1985). Kernel estimators of zeros and of location and size of etrema of regression functions, Scand. J. Statist. 12: Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

42 Odhad nulových bodů 1 Regresní funkce m(.) je 3 spojitě diferencovatelná, m (ξ) 0. Jádrová funkce K(.) je diferencovatelná a K (.) je Lipschitzovsky spojitá. 2 lim inf n nh3 n > 0, nh 3 n/ log n, ε i jsou iid, Eε i = 0, E ε 1 r < pro nějaké r > 2 a lim inf n h nn 1 2/r / log n > 0. 3 Eistují l < ξ < u, c > 0 a τ 1 takové, že m(.) je ryze monotónní na intervalu l, u a m(t) > c t ξ τ pro t l, u,. Müller (1985), Theorem 3.1: Předpokládejme 1 3 a že body měření i jsou rovnoměrně rozložené na intervalu (0, 1). Pokud nhn 5 d 2 0, pak ( ) (nh n ) 1/2 (ξ n ξ) D N dm(2) (ξ)b 2 σ 2 V m, (ξ) {m (ξ)} 2, kde B 2 = (1/2) K(s)s 2 ds a V = K 2 (s)ds. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

43 P {( ξ n u 1 α/2 nhn Odhad nulových bodů σ V m (ξ), ξ n + u 1 α/2 σ ) } V nhn m ξ 1 α (ξ) y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

44 Odhad nulových bodů Závislost na bandwidth h n Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

45 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.02 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

46 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.04 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

47 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.06 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

48 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.08 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

49 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.10 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

50 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.12 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

51 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.14 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

52 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.16 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

53 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.18 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

54 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.20 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

55 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.22 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

56 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.24 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

57 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.26 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

58 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.28 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

59 Odhad nulových bodů Závislost na bandwidth h n bandwidth = 0.30 y Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

60 Odhad nulových bodů Optimální bandwidth Teoreticky: asymptoticky optimální bandwidth plyne z porovnání vychýlení (rostoucí funkce h n ) a rozptylu (klesající funkce h n ): konstantní bandwidth h n = O(n 1/(2k+1) ), lokální bandwidth h n () [1/{nf X ()}] 1/(2k+1), kde f X () je hustota měření, lokální bandwidth v heteroskedastickém modelu h n () [σ 2 ()/{nf X ()}] 1/(2k+1). V prai se bandwidth často volí až po ukončení eperimentu (křížové ověřování). Jaká je ale optimální hustota měření f X (.)? Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

61 Optimální návrh eperimentu Optimální návrhy eperimentů pro odhad m(.) Obvyklé kritérium kvality odhadu: MSE (střední čtvercová chyba). Přehledový článek: Titterington (2001) V literatuře jsou popsány dva různé přístupy: Minimalizace IMSE (integrovaná MSE): Müller (1984), Faraway (1990), Cheng, Hall & Titterington (1998), Biedermann & Dette (2001a,b) Klasický přístup (kritéria optimality): W. G. Müller (1996), Fedorov, Montepiedra & Nachtsheim (1999) Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

62 Optimální návrh eperimentu Optimální návrhy eperimentů (minimalizace AIMSE) H.-G. Müller (1984). Optimal designs for nonparametric kernel regression, Statistics & Probability Letters 2, [ ] Var{m GM ()} = σ2 K 2 (s)ds{f X ()} 1 + o(1) nh n Je-li h(.) kladná a spojitá pravděpodobnostní hustota na 0, 1, pak f X () = h()1/2 h(u) 1/2 du h()1/2 minimalizuje: AIMSE = E {m GM () m()} 2 dh(). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

63 Optimální návrh eperimentu Návrhy eperimentů pro odhad nulového bodu V prai často můžeme získat alespoň přibližnou apriorní informaci o poloze nulového bodu (nebo maima) díky: pilotní studii, epertním znalostem a literatuře. Naše očekávání (apriorní informaci) lze vyjádřit pomocí apriorní hustoty a(.) neznámého parametru ξ. Další postup: závislost rozptylu ξ n na hustotě měření (i pro slabě závislá měření) a odvození optimální hustoty měření f X (.). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

64 Optimální návrh eperimentu Vlastnosti empirického nulového bodu Zobecnění článku Müller (1985) pro nerovnoměrně rozložené body měření a pro slabě závislé náhodné chyby (motivace: situace, ve kterých po sobě následující měření mohou být závislá). Nástroje: CLV pro nestacionární slabě závislé náhodné veličiny (Peligrad, 1996) a Hoeffdingova nerovnost pro strongly miing posloupnosti náhodných veličin (Roussas, 1996). V heteroskedastickém modelu se slabě závislými náhodnými chybami je ξ n asymptoticky normální a Var ξ n. = σ 2 (ξ)v nh 2ν+1 n {m (ν+1) (ξ)} 2 f X (ξ). Délka konfidenčního intervalu je přímo úměrná σ(ξ)/{f X (ξ)} 1/2. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

65 Optimální návrh eperimentu Optimální návrh eperimentu V homoskedastickém modelu (σ 2 (.) σ 2 ) lze optimální návrh eperimentu vyjádřit ve tvaru: f X (.) aropt (.). Konstantní bandwidth: r opt (MSE) = 1/2 minimalizuje očekávaný rozptyl Var(ξ n ξ)a(ξ)dξ, r opt (MAD) = 2/3 minimalizuje očekávanou délku konfidenčního intervalu. Lokální bandwidth: r opt (MSE) = (2k + 1)/(4k 2ν + 1) minimalizuje očekávaný rozptyl, r opt (MAD) = (2k + 1)/(3k ν + 1) minimalizuje očekávanou délku konfidenčního intervalu. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

66 Optimální návrh eperimentu Optimální návrh eperimentu V heteroskedastickém modelu s konstantní bandwidth je optimální návrh eperimentu: f X (.) {σ2 (.)a(.)} 1/2 pro očekávaný rozptyl, f X (.) {σ(.)a(.)}2/3 pro očekávanou délku konfidenčního intervalu. Pro lokální bandwidth: f X (.) {σ2 (.)} (2k 2ν)/(4k 2ν+1) {a(.)} (2k+1)/(4k 2ν+1) minimalizuje očekávaný rozptyl, f X (.) {σ(.)}(2k 2ν)/(3k ν+1) {a(.)} (2k+1)/(3k 2ν+1) minimalizuje očekávanou délku konfidenčního intervalu. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

67 Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. a() Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

68 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

69 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

70 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

71 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

72 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

73 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

74 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

75 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

76 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

77 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

78 y Simulace Simulace 1 Apriorní rozdělení ξ: a(ξ) = N(0.4, ). 2 Regresní funkce: m() = {( ) 2 (ξ ) 2 }/( ). 3 Hustota měření f X () a r (), r 0, 1. 4 Lokální bandwidth h f () = bf 1/5 (), b 0.005, 0.5. r = Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

79 Simulace Simulační studie Vyhodnocení: MSE (Mean Squared Error), optimální hodnota r opt (MSE), MAD (Mean Absolute Deviation), optimální hodnota r opt (MAD) jako funkce parametru bandwidth b a hustoty pozorování r. Teoreticky optimální hodnota r pro homoskedastická data a lokální bandwidth: m(.) m (.) r opt (MSE) 5/9. = /11. = 0.63 r opt (MAD) 5/7. = /9. = 0.78 Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

80 e 04 6e Simulace Simulace: lokální bandwidth, n = 800, σ = e 04 MSE (optimal value. = 0.55) r log(mse) b r Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

81 Simulace Simulace: lokální bandwidth, n = 800, σ = MAD (optimal value. = 0.71) r log(mad) b r Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

82 Shrnutí Závěr Odvození asymptotické normality ξ n i pro slabě závislá pozorování. Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

83 Shrnutí Závěr Odvození asymptotické normality ξ n i pro slabě závislá pozorování. Nový přístup k navrhování eperimentů v neparametrické regresi (AIMSE optimální návrhy eperimentů jsou MSE optimální i pro odhad nulového bodu). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

84 Shrnutí Závěr Odvození asymptotické normality ξ n i pro slabě závislá pozorování. Nový přístup k navrhování eperimentů v neparametrické regresi (AIMSE optimální návrhy eperimentů jsou MSE optimální i pro odhad nulového bodu). Další výzkum: lokálně polynomické modely a modely s více vysvětlujícími pozorování (motivace: závislost GHBC na čase od diagnózy, věku a pohlaví, spolupráce Z. Šumník, 2. LF). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

85 Shrnutí Závěr Odvození asymptotické normality ξ n i pro slabě závislá pozorování. Nový přístup k navrhování eperimentů v neparametrické regresi (AIMSE optimální návrhy eperimentů jsou MSE optimální i pro odhad nulového bodu). Další výzkum: lokálně polynomické modely a modely s více vysvětlujícími pozorování (motivace: závislost GHBC na čase od diagnózy, věku a pohlaví, spolupráce Z. Šumník, 2. LF). Dále: neparametrické regresní odhady pro korelovaná data s omezeními (aplikace na ceny opcí, spolupráce W. Härdle: JoE, CSDA) a ověřování předpokladů ( ověřování stability modelu v čase, spolupráce S. Meintanis, C. Kirch, M. Hušková: JMVA, TEST, CSDA). Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25

86 Shrnutí Závěr Odvození asymptotické normality ξ n i pro slabě závislá pozorování. Nový přístup k navrhování eperimentů v neparametrické regresi (AIMSE optimální návrhy eperimentů jsou MSE optimální i pro odhad nulového bodu). Další výzkum: lokálně polynomické modely a modely s více vysvětlujícími pozorování (motivace: závislost GHBC na čase od diagnózy, věku a pohlaví, spolupráce Z. Šumník, 2. LF). Dále: neparametrické regresní odhady pro korelovaná data s omezeními (aplikace na ceny opcí, spolupráce W. Härdle: JoE, CSDA) a ověřování předpokladů ( ověřování stability modelu v čase, spolupráce S. Meintanis, C. Kirch, M. Hušková: JMVA, TEST, CSDA). DĚKUJI ZA POZORNOST Zdeněk Hlávka (KPMS MFF UK) Neparametrická regrese / 25