Ioannis卡拉戈里迪斯;格尔达·克莱斯肯斯;范·艾尔斯特·斯特凡 非参数广义线性模型的稳健有效估计。 (英语) Zbl 07776689号 测试 32,第3号,1055-1078(2023). 摘要:广义线性模型是分析不同数据集的灵活工具,但经典公式要求正确指定参数分量,数据不包含非典型观测值。为了解决这些缺点,我们引入并研究了一类非参数全秩和低秩样条估计,它们是由惩罚密度幂散度最小化而产生的。所提出的估计类易于实现,对异常观测提供了高保护,并且在干净数据的情况下可以调整为任意高效。我们表明,在较弱的假设下,这些估计以较快的速度收敛,并通过仿真研究和两个实际数据示例说明了它们的高度竞争性能。 理学硕士: 62G08号 非参数回归和分位数回归 62兰特 度量空间统计 62G35型 非参数稳健性 关键词:广义线性模型;稳健性;缺陷样条曲线;再生核希尔伯特空间;渐近线 软件:全球供应链;ElemStatLearn(电子状态学习);鲁棒基地;RobStatTM公司;半标准杆 PDF格式BibTeX公司 XML格式引用 \textit{I.Kalogridis}等人,试验32,编号3,1055--1078(2023;Zbl 07776689) 全文: 内政部 arXiv公司 参考文献: [1] 埃伯哈德,WH;坎托尼,E。;马拉,G。;Radie,R.,位置、规模和形状广义加性模型的稳健拟合,统计计算,31,1-16(2021)·Zbl 1461.62008年 [2] 阿扎德,A。;Salibian-Barrera,M.,《应用于疾病暴发检测的广义加性模型的离群回归拟合》,美国统计协会杂志,106,719-731(2011)·Zbl 1232.62142号 [3] 巴萨克,S。;巴苏,A。;Jones,MC,关于最佳密度功率发散调谐参数,应用统计杂志,48,536-556(2021)·Zbl 1521.62257号 [4] 巴苏,A。;哈里斯,IR;荷兰霍尔特;Jones,MC,通过最小化密度功率发散进行稳健和有效估计,Biometrika,85,549-559(1998)·Zbl 0926.62021号 [5] Bianco,AM;Boente,G。;Sombielle,S.,非参数广义回归的稳健估计,统计Probab-Lett,811986-1994(2011)·Zbl 1225.62048号 [6] Boente,G。;鲁伊斯,M。;Zamar,R.,关于异方差非参数回归中尺度函数的鲁棒局部估计,Statistics Probab Lett,801185-1195(2010)·Zbl 1190.62081号 [7] 坎通尼,E。;Ronchetti,E.,平滑样条曲线平滑参数的阻力选择,统计计算,11,141-146(2001) [8] 坎通尼,E。;Ronchetti,E.,广义线性模型的稳健推断,美国统计协会,961022-1030(2001)·Zbl 1072.62610号 [9] Claeskens,G。;Hjort,NL,模型选择和模型平均(2008),剑桥:剑桥大学出版社,剑桥·Zbl 1166.62001号 [10] Claeskens,G。;Krivobokova,T。;Opsomer,JD,惩罚样条估计量的渐近性质,生物特征,96529-544(2009)·Zbl 1170.62031号 [11] 克利夫兰,WS,《稳健局部加权回归与平滑散点图》,美国统计协会杂志,74829-836(1979)·Zbl 0423.62029号 [12] 克罗克斯,C。;Gijbels,I。;Prosdocimi,I.,扩展广义加性模型中均值和离散函数的鲁棒估计,生物计量学,68,31-44(2012)·Zbl 1241.62108号 [13] 考克斯,DD;O'Sullivan,F.,惩罚可能性和相关估计的渐近分析,《Ann Statistics》,第18期,1676-1695页(1990年)·Zbl 0719.62051号 [14] de Boor,C.,《样条曲线实用指南》(2001),纽约:Springer,纽约·Zbl 0987.65015号 [15] 艾格蒙特,PPB;LaRiccia,VN,最大惩罚似然估计(2009),纽约:Springer,纽约·Zbl 1184.62063号 [16] 埃勒斯,PHC;Marx,BD,使用B样条和惩罚的灵活平滑,《统计科学》,第11期,第89-102页(1996年)·Zbl 0955.62562号 [17] Eubank,RL,非参数回归和样条曲线平滑(1999),纽约:CRC出版社,纽约·Zbl 0936.62044号 [18] 范,J。;Li,R.,《基于非一致惩罚似然的变量选择及其预言属性》,美国统计协会,96,1348-1360(2001)·Zbl 1073.62547号 [19] 吉门,IR;鲁伊斯,M。;Zamar,R.,非参数回归模型中误差尺度的稳健估计,《统计计划推断杂志》,1383200-3216(2008)·Zbl 1140.62030号 [20] Ghosh,A。;Basu,A.,使用密度幂散度对独立非均匀观测进行稳健估计,并应用于线性回归,Electron J Statistics,72420-2456(2013)·Zbl 1349.62087号 [21] Ghosh,A。;Basu,A.,《非齐次数据的稳健估计和最佳调谐参数的选择:密度幂散度法》,《应用统计学杂志》,422056-2072(2015)·Zbl 1514.62584号 [22] Ghosh,A。;Basu,A.,广义线性模型中的稳健估计:密度幂散度方法,TEST,25269-290(2016)·Zbl 1342.62126号 [23] 绿色,PJ;Silverman,BW,非参数回归和广义线性模型(1994),伦敦:查普曼和霍尔出版社,伦敦·兹比尔0832.62032 [24] Gu,C.,平滑样条方差分析模型(2013),纽约:Springer,纽约·兹比尔1269.62040 [25] 法国汉佩尔;EM Ronchetti;罗素,PJ;华盛顿州斯塔尔,《稳健统计:基于影响函数的方法》(2011年),纽约:威利·Zbl 0593.62027号 [26] 哈斯蒂,TJ;Tibshirani,RJ,广义加性模型(1990),萨福克:查普曼和霍尔·Zbl 0747.62061号 [27] 哈斯蒂,TJ;RJ Tibshirani;Friedman,J.,《统计学习的要素:数据挖掘、推理和预测》(2009),纽约:施普林格出版社,纽约·Zbl 1273.62005年 [28] PJ Huber;EM Ronchetti,《稳健统计》(2009),新泽西州霍博肯:新泽西州威利·Zbl 1276.62022号 [29] Kalogridis,I.,带非光滑目标函数的M型光滑样条的渐近性,TEST,31373-389(2021)·Zbl 1492.62077号 [30] 卡拉戈里迪斯,I。;Van Aelst,S.,带差异惩罚的稳健惩罚样条估计,计量经济学与统计学(2021)·Zbl 1460.62052号 ·doi:10.1016/j.ecosta.2021.07.005 [31] 考尔曼,G。;Krivobokova,T。;Fahrmeir,L.,广义惩罚样条平滑的一些渐近结果,J R Stat Soc Ser B统计方法,71,487-503(2009)·Zbl 1248.62055号 [32] Kim,Y-J;Gu,C.,《平滑样条高斯回归:通过有效近似实现更具可伸缩性的计算》,J R Stat Soc Ser B Statistical Methodol,66,337-356(2004)·Zbl 1062.62067号 [33] Mammen,E。;van de Geer,S.,部分线性模型中的惩罚拟似然估计,《统计年鉴》,251014-1035(1997)·Zbl 0906.62033号 [34] 玛丽娜,RA;马丁·D·。;Salibián-Barrera,医学博士。;尤海,VJ,《稳健统计:理论和方法》(2019年),奇切斯特:威利·Zbl 1409.62009号 [35] McCullagh,P。;Nelder,JA,广义线性模型(1983),伦敦:Chapman&Hall,伦敦·Zbl 0588.62104号 [36] O'Sullivan,F.,《不适定问题的统计观点》,《统计科学》,1502-518(1986)·Zbl 0625.62110号 [37] 新泽西州皮尔斯;Wand,MP,《惩罚样条和再生核方法》,美国统计学家,60,233-240(2006) [38] Ruppert博士。;魔杖,MP;卡罗尔,RJ,半参数回归(2003),剑桥:剑桥大学出版社,剑桥·Zbl 1038.62042号 [39] Scott,DW,最小综合平方误差参数统计建模,技术计量学,43,274-285(2001) [40] van de Geer,S.,《M估计的经验过程》(2000),纽约:剑桥大学出版社,纽约·Zbl 1179.62073号 [41] van der Vaart,AW,《渐近统计》(1998),纽约:剑桥大学出版社,纽约·Zbl 0910.62001号 [42] Wahba,G.,观测数据的样条模型(1990),费城,彭:SIAM,费城·Zbl 0813.62001号 [43] 王,X。;姜瑜。;黄,M。;Zhang,H.,带指数平方损失的稳健变量选择,美国统计协会,108,632-643(2013)·Zbl 06195966号 [44] Wong,RKW;姚,F。;Lee,TCM,广义加性模型的鲁棒估计,计算图统计学杂志,23270-289(2014) [45] 沃里克,J。;Jones,MC,《选择鲁棒性调整参数》,《统计计算模拟杂志》,75,581-588(2005)·Zbl 1115.62317号 [46] Wood,SN,广义加性模型(2017),佛罗里达州博卡拉顿:CRC出版社,佛罗里达州波卡拉顿·Zbl 1368.62004号 [47] Xiao,L.,惩罚样条的渐近理论,电子统计杂志,13,747-794(2019)·Zbl 1418.62176号 [48] 邹,H。;袁,M.,复合分位数回归与预言模型选择理论,《统计年鉴》,361108-1126(2008)·Zbl 1360.62394号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。