Estimación no paramétrica de la regresión de la pérdida esperada para datos funcionales cuasi-asociados
Autores: Ait-Hennani, Larbi; Kaid, Zoulikha; Laksaci, Ali; Rachdi, Mustapha
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Estimación no paramétrica de la regresión de la pérdida esperada para datos funcionales cuasi-asociados
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Estimación
Pérdida esperada
Regresión
Observación funcional
Estimador de núcleo
Propiedades asintóticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
En este documento, estudiamos la estimación no paramétrica de la regresión de la pérdida esperada cuando la observación exógena es funcional. El estimador construido se obtiene combinando el estimador de doble núcleo tanto de la condicional en el riesgo como de la función de densidad condicional. Las propiedades asintóticas de este estimador se establecen bajo una condición de dependencia débil. Precisamente, asumimos que las observaciones son generadas a partir de series temporales funcionales cuasi-asociadas y demostramos la convergencia casi completa del estimador construido. Este resultado asintótico se obtiene bajo una condición estándar de análisis de series temporales funcionales. El rendimiento en muestra finita de este estimador se evalúa utilizando datos artificiales.
Descripción
En este documento, estudiamos la estimación no paramétrica de la regresión de la pérdida esperada cuando la observación exógena es funcional. El estimador construido se obtiene combinando el estimador de doble núcleo tanto de la condicional en el riesgo como de la función de densidad condicional. Las propiedades asintóticas de este estimador se establecen bajo una condición de dependencia débil. Precisamente, asumimos que las observaciones son generadas a partir de series temporales funcionales cuasi-asociadas y demostramos la convergencia casi completa del estimador construido. Este resultado asintótico se obtiene bajo una condición estándar de análisis de series temporales funcionales. El rendimiento en muestra finita de este estimador se evalúa utilizando datos artificiales.