Moda condicional : uma abordagem via regressão quantílica suavizada

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Ongaratto, Artur Matia
Orientador(a): Horta, Eduardo de Oliveira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Regressão quantílica
Simulação de Monte Carlo
Palavras-chave em Inglês:
Modal regression
Quantile regression
Data-driven bandwidth
Monte Carlo simulation
Link de acesso: http://hdl.handle.net/10183/237727
Resumo: Recentemente, Ota, Kato e Hara (2019) propuseram estimar a moda condicional de uma resposta, dado um vetor de covariáveis, por um estimador escalonável computacionalmente derivado do modelo de regressão quantílica linear proposto por Koenker e Bassett (1978). Alternativamente, propomos estimar a moda condicional maximizando o estimador de densidade condicional de Fernandes, Guerre e Horta (2021). Esta aborgadem tem pelo menos dois benefícios: eficiência computacional e bom comportamento assintótico, que, em particular, “contornam” a maldição da dimensionalidade.
id URGS_93f0a26ea5f439bcbf70695bb7828325
oai_identifier_str oai:www.lume.ufrgs.br:10183/237727
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Ongaratto, Artur MatiaHorta, Eduardo de Oliveira2022-04-25T11:11:38Z2021http://hdl.handle.net/10183/237727001139244Recentemente, Ota, Kato e Hara (2019) propuseram estimar a moda condicional de uma resposta, dado um vetor de covariáveis, por um estimador escalonável computacionalmente derivado do modelo de regressão quantílica linear proposto por Koenker e Bassett (1978). Alternativamente, propomos estimar a moda condicional maximizando o estimador de densidade condicional de Fernandes, Guerre e Horta (2021). Esta aborgadem tem pelo menos dois benefícios: eficiência computacional e bom comportamento assintótico, que, em particular, “contornam” a maldição da dimensionalidade.Recently, Ota, Kato e Hara (2019) proposed to estimate the conditional mode of a response, given a vector of covariates, using a computationally scalable estimator derived from the linear quantile regression model proposed by Koenker e Bassett (1978). Alternatively, we propose to estimate the conditional mode by maximizing the conditional density estimator of Fernandes, Guerre e Horta (2021). This approach offers at least two benefits: computational efficiency and good asymptotic behavior which, in particular, “bypasses” the curse of dimensionality.application/pdfporRegressão quantílicaSimulação de Monte CarloModal regressionQuantile regressionData-driven bandwidthMonte Carlo simulationModa condicional : uma abordagem via regressão quantílica suavizadaConditional mode : an approach via smoothed quantile regressioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de Matemática e EstatísticaPrograma de Pós-Graduação em EstatísticaPorto Alegre, BR-RS2021mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001139244.pdf.txt001139244.pdf.txtExtracted Texttext/plain71214http://www.lume.ufrgs.br/bitstream/10183/237727/2/001139244.pdf.txt76ba88356359a0c413c99a199c9c25bfMD52ORIGINAL001139244.pdfTexto completoapplication/pdf2830713http://www.lume.ufrgs.br/bitstream/10183/237727/1/001139244.pdfae7a75d3e747678953d7484849a533e0MD5110183/2377272022-04-26 04:50:22.997oai:www.lume.ufrgs.br:10183/237727Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-04-26T07:50:22Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Moda condicional : uma abordagem via regressão quantílica suavizada
dc.title.alternative.en.fl_str_mv Conditional mode : an approach via smoothed quantile regression
title Moda condicional : uma abordagem via regressão quantílica suavizada
spellingShingle Moda condicional : uma abordagem via regressão quantílica suavizada
Ongaratto, Artur Matia
Regressão quantílica
Simulação de Monte Carlo
Modal regression
Quantile regression
Data-driven bandwidth
Monte Carlo simulation
title_short Moda condicional : uma abordagem via regressão quantílica suavizada
title_full Moda condicional : uma abordagem via regressão quantílica suavizada
title_fullStr Moda condicional : uma abordagem via regressão quantílica suavizada
title_full_unstemmed Moda condicional : uma abordagem via regressão quantílica suavizada
title_sort Moda condicional : uma abordagem via regressão quantílica suavizada
author Ongaratto, Artur Matia
author_facet Ongaratto, Artur Matia
author_role author
dc.contributor.author.fl_str_mv Ongaratto, Artur Matia
dc.contributor.advisor1.fl_str_mv Horta, Eduardo de Oliveira
contributor_str_mv Horta, Eduardo de Oliveira
dc.subject.por.fl_str_mv Regressão quantílica
Simulação de Monte Carlo
topic Regressão quantílica
Simulação de Monte Carlo
Modal regression
Quantile regression
Data-driven bandwidth
Monte Carlo simulation
dc.subject.eng.fl_str_mv Modal regression
Quantile regression
Data-driven bandwidth
Monte Carlo simulation
description Recentemente, Ota, Kato e Hara (2019) propuseram estimar a moda condicional de uma resposta, dado um vetor de covariáveis, por um estimador escalonável computacionalmente derivado do modelo de regressão quantílica linear proposto por Koenker e Bassett (1978). Alternativamente, propomos estimar a moda condicional maximizando o estimador de densidade condicional de Fernandes, Guerre e Horta (2021). Esta aborgadem tem pelo menos dois benefícios: eficiência computacional e bom comportamento assintótico, que, em particular, “contornam” a maldição da dimensionalidade.
publishDate 2021
dc.date.issued.fl_str_mv 2021
dc.date.accessioned.fl_str_mv 2022-04-25T11:11:38Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/237727
dc.identifier.nrb.pt_BR.fl_str_mv 001139244
url http://hdl.handle.net/10183/237727
identifier_str_mv 001139244
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/237727/2/001139244.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/237727/1/001139244.pdf
bitstream.checksum.fl_str_mv 76ba88356359a0c413c99a199c9c25bf
ae7a75d3e747678953d7484849a533e0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831316131333275648

Registros relacionados