Moda condicional : uma abordagem via regressão quantílica suavizada
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 mod...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | Brasil |
| Institución: | Universidade Federal do Rio Grande do Sul (UFRGS) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UFRGS |
| Idioma: | portugués |
| OAI Identifier: | oai:www.lume.ufrgs.br:10183/237727 |
| Acceso en línea: | http://hdl.handle.net/10183/237727 |
| Access Level: | acceso abierto |
| Palabra clave: | Regressão quantílica Simulação de Monte Carlo Modal regression Quantile regression Data-driven bandwidth Monte Carlo simulation |
| Sumario: | 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. |
|---|