Mostrar el registro sencillo del ítem

Elección del parámetro de suavización óptimo en el problema de la selección de variables en regresión no-paramétrica a través de una solución numérica

dc.contributor.advisorOlaya Ochoa, Javierspa
dc.contributor.authorTriana Lozano, Marco Antoniospa
dc.date.accessioned2020-06-26T21:32:14Z
dc.date.available2020-06-26T21:32:14Z
dc.date.issued2004-03
dc.identifier.urihttp://hdl.handle.net/20.500.12749/3295
dc.description.abstractPresentamos a continuación un estudio de simulación acerca de la elección del parámetro de suavización óptimo en el problema de selección de variables en regresión no-paramétrica implementando una solución numérica. También se diseña un mecanismo computacional que permite la selección automática del parámetro de suavización óptimo en el problema de selección de variables en regresión noparamétrica. Obtendremos algunas estimaciones de la función de regresión para ser utilizadas en la selección del valor óptimo para el parámetro de suavización que maximiza la potencia de una prueba estadística de comparación de curvas de regresión no-paramétricas. El procedimiento PPR (Projection Pursuit Regresión) es propuesto para seleccionar variables significativas en un modelo de regresión no-paramétrico. Se presentan algunos métodos para seleccionar el parámetro de suavización en regresión no-paramétrica.spa
dc.description.sponsorshipCorporación Universitaria Autónoma de Occidente CUAOspa
dc.description.sponsorshipInstituto Tecnológico de Estudios Superiores de Monterrey ITESMspa
dc.description.tableofcontentsINTRODUCCIÓN 16 1. REGRESIÓN NO-PARAMÉTRICA 20 1.1 ESTIMADORES 22 1.2 CONSISTENCIA 26 1.3 ALGUNOS CRITERIOS PAA DETERMINAR UN BUEN ESTIMADOR 27 1.4 SECCIÓN DEL PARÁMETRO DE SUAVIZACIÓN 29 2. SELECCIÓN DEL PARÁMETRO DE SUAVIZACIÓN EN EL PROBLEMA DE SELECCIÓN DE VARIABLES EN REGRESIÓN NOPARAMÉTRICA 31 2.1 EL PROBLEMA DE LA SELECCIÓN DE VARIABLE 31 2.1.1 Un método para seleccionar variables en regresión no-paramétrica 33 2.2 ALGUNOS MÉTODOS PARA SELECCIONAR EL PARÁMETRO DE SUAVIZACIÓN E REGRESIÓN NO-PARAMÉTRICA 47 2.3 SELECCIÓN DEL PARÁMETRO DE SUAVIZACIÓN EN LA COMPARACIÓN DE DOS CURVAS DE REGRESIÓN 53 2.3.1 Selección del valor óptimo para el parámetro de suavización que maximiza la potencia de la prueba 53 3. RESULTADOS DE ALGUNAS SIMULACIONES 60 3.1 ESTIMACIÓN DE LA FUNCIÓN DE REGRESIÓN m(x) 60 3.1.1 Algunos aspectos computacionales de la simulación 61 3.1.2 Resultados de la simulación 62 3.2 SELECCIÓN DE UN VALOR ÓPTIMO DE PARÁMETRO SUAVIZACIÓN PARA ESTIMAR LA FUNCIÓN DE REGRESIÓN m(x) 64 3.2.1 Algunos aspectos computacionales de la simulación 65 3.2.2 Resultados de la simulación 65 3.3 SELECCIÓN DE UN VALOR ÓPTIMO DEL PARÁMETRO DE SUAVIZACIÓN PARA MAXIMIZAR LA POTENCIA DE UNA PRUEBA 69 3.3.1 algunos aspectos computacionales de la simulación 69 3.3.2 Resultados dela simulación 70 3.4 SELECCIÓN DE UN VALOR ÓPTIMO DEL PARÁMETRO DE SUAVIZACIÓN EN EL PROBLEMA DE SELECCIÓN DE VARIABLES EN REGRESIÓN NO-PARAMÉTRICA 79 3.4.1 Caso donde se tiene en el modelo dos variables explicativas independientes X1 y X2 80 3.4.2 Caso donde se tienen en el modelo tres variables explicativas independientes X1, X2 y X3 87 4. DOCUMENTACIÓN DE PROGRAMAS EN C++ Y EN LENGUAJE S 96 4.1 PROGRAMA NEWK1.XXC (Procedimiento en lenguaje S) 96 4.2 PROGRAMA NEWK (Programa en C++) 97 4.3 PROGRAMA NEWK1000.SSC (Procedimiento en lenguaje S) 98 4.4 PROGRAMA NEWK100(Programa en C++) 99 4.5 PROGRAMA NEWK1001.SSC (Procedimiento en lenguaje S 100 4.6 PROGRAMA NEWK1001 (procedimiento en C++) 101 4.7 PROGRAMA NEWK1002.SSC (procedimiento en Lenguaje S) 102 4.8 PROGRAMA NEWK1002 (Programa en C++) 104 4.9 PROGRAMA NEWK1003.SSC (Procedimiento en lenguaje S) 105 4.10 PROGRAMA NEWK1003 (programa en C++) 107 4.11 PROGRAMA NEWK1004 (Procedimiento en Lenguaje S) 108 4.12 PROGRAMA NEWK104_RAMDOM.SSC (Procedimiento en Lenguaje S) 111 4.13 PROGRAMA NEW1005.SSC (Procedimiento en leguaje S) 114 4.14 PROGRAMA NEWK1005 (programa en C++) 118 4.15 PROGRAMA NEWK1005_RAMDOM.SSC (procedimiento en lenguaje S) 121 5. CONCLUSIONES 132 BIBLIOGRAFÍA 135spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleElección del parámetro de suavización óptimo en el problema de la selección de variables en regresión no-paramétrica a través de una solución numéricaspa
dc.title.translatedChoosing the optimal smoothing parameter in the problem of selecting variables in non-parametric regression through a numerical solutioneng
dc.degree.nameMagíster en Ciencias Computacionalesspa
dc.coverageBucaramanga (Colombia)spa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programMaestría en Ciencias Computacionalesspa
dc.description.degreelevelMaestríaspa
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.localTesisspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.subject.keywordsRegression analysiseng
dc.subject.keywordsSimulation methodseng
dc.subject.keywordsParameter estimationeng
dc.subject.keywordsEstimation theoryeng
dc.subject.keywordsSystems engineeringeng
dc.subject.keywordsInvestigationseng
dc.subject.keywordsAnalysiseng
dc.subject.keywordsRegression analysiseng
dc.subject.keywordsNon-parametric regressioneng
dc.subject.keywordsKernel estimatorseng
dc.subject.keywordsSelection of variableseng
dc.subject.keywordsSmoothingeng
dc.subject.keywordsSmoothing parametereng
dc.subject.keywordsQuasi-residualseng
dc.subject.keywordsBandwidtheng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesTriana Lozano, Marco Antonio, Olaya Ochoa, Javier (2004). Elección del parámetro de suavización óptimo en el problema de la selección de variables en regresión no-paramétrica a través de una solución numérica. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB, Instituto Tecnológico y de Estudios Superiores de Monterrey ITESM, Corporación Universitaria Autónoma de Occidentespa
dc.relation.referencesBENEDETTI. G. (1975). Kernel estimation of regression functions. Proceedings in Computer Science and Statistics: 8 th annual symposium on the interface, pages 405-412.spa
dc.relation.referencesBROCKMANN, M. , GASSER, T. , y HERMANN, E. (1993). Lacally Adaptive Bandwidth Choise for Kernel Regression Estimation, Journal of the American Statistical Association, 88, 1302-1309.spa
dc.relation.referencesDRAPER, N. R. y SMITH, H. (1966). Applied Regression Analysis. John Wiley & Sons, New York, NY.spa
dc.relation.referencesDRAPER, N. R. y SMITH, H. (1981). Applied Regression Analysis. John Wiley & Sons, New York, NY, second edition.spa
dc.relation.referencesDRAPER, N. R. y SMITH, H. (1998). Applied Regression Analysis. John Wiley & Sons, New York, NY, third edition.spa
dc.relation.referencesEUBANK, R. L (1999). Nonparametric Regression and Spline Smoothing. Segunda edición. Marcel Dekker, Inc. New York.spa
dc.relation.referencesFAN, J. (1992). Design-Adaptive Nonparametric Regression. Journal of the American Statistical Association, 87, 998 -1004.spa
dc.relation.referencesFRIEDMAN, J. H. y TUKEY, J. W. (1974). A Projection Pursuit Algorithm for Exploratory Data Analysis. IEEE Trans. Comput. C-23 881-889.spa
dc.relation.referencesGASSER, T. y MÜLLER, H. G. (1979). Smoothing Techniques for Curve Estimation. Springer, Heidelberg.spa
dc.relation.referencesGRAYBILL, F. A. (1976). Theory and Application of the Linear Model. Wadsworth & Brooks, Pacific Grove, Californiaspa
dc.relation.referencesHALL, PETER, KAY, J. W. y TITTERINGTON, D. M. (1990). Asymptotically Optimal Difference-Based Estimation of Variance in Nonparametric Regression Department of Statistics, Australian National University, Canberra, ACT 2601, Australia. Biometrika, 77, 3, pp.521-8.spa
dc.relation.referencesHALL, P. y HART, J. D. (1990). Bootstrap test for difference between means in nonparametric regression. Journal of the American Statistical Association, 85, 1085-1093.spa
dc.relation.referencesHALL, P. , MARRON, J. S. , y PARK, B. U. (1992). Smoothed Croos-Validation, Probability Theory and Related Fields, 92, 1-20.spa
dc.relation.referencesHÄRDLE, W. (1990). Applied Nonparametric Regression. Cambridge University Press, Cambridge, UK.spa
dc.relation.referencesHÄRDLE, W., HALL, P., y ICHIMURA, H. (1993). Optimal Smoothing in single-index Models. The Annals of Statistics.spa
dc.relation.referencesHÄRDLE, WOLFGANG y TSYBAKOV, A. B. (1995). Additive nonparametric regression on principal components. nonparametrics Statistics, 5:157-184.spa
dc.relation.referencesHÄRDLE, W., y KOROSTELEV, A. (1996). Search for Significant Variables in Nonparametric Additive Regression. Biometrika. 541-549.spa
dc.relation.referencesKING. E. C. HÄRT, J. D, and WEHRLY, T. E (1991). Testing the Equality of Two Regression Curves Using Linear Smoothers. Statistics and Probability Letters, 12. 239-247.spa
dc.relation.referencesJEROME, H. FRIEDMAN y WERNER STUETZLE (1981). Projection Pursuit Regression. Article December. Volume 76, No. 376. American Statistical Associationspa
dc.relation.referencesKOTZ, S. , JOHNSON, N. L. , y READ, C. B. (1988). Encyclopedia of Statistical Science, Volume VIII. John Wiley, New Yorkspa
dc.relation.referencesKULASEKERA, K.B. (1995). Comparison of Regression Curves Using Quasi-Residuals . Article September, Volume 90, No. 431. American Statistical Associationspa
dc.relation.referencesKULASEKERA, K.B. y WANG, J. (1997). Smoothing Parameter Selection for Power Optimality in Testing of Regression Curves. Article June, Volume 92, No. 438. American Statistical Association.spa
dc.relation.referencesLI, K. C. (1991). Sliced Inverse Regression for Dimension Reduction. Journal of the American Statistical Association, 86, 316-327.spa
dc.relation.referencesNADARAYA, E. A. A. y SECKLER, B. T. (1964). On estimating regression. Theory of Probability and its Applicatspa
dc.relation.referencesOLAYA, J. (2000). Selecting Variables in Nonparametric Regression. Universidad delValle. Articulo November 26.spa
dc.relation.referencesOLAYA, J. y KULASEKERA, K.B. (2000). A method for selecting variables in nonparametric regression. Disertation Thesis, Clemson University, Clemson, SC.spa
dc.relation.referencesTREVOR, J. , HASTIE y TIBSHIRANI, ROBERT J. (1990).General Additive Models. Chapman & Hall-CRC, Boca Raton, FL.spa
dc.relation.referencesWATSON, G. (1964). Smooth Regresión Análisis. Sankhya, Series A.spa
dc.relation.referencesZHANG, P. (1990). Variable Selection in nonparametric regression with continuous covariates. The Annals of Statisticsspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000410519*
dc.subject.lembAnálisis de regresiónspa
dc.subject.lembMétodos de simulaciónspa
dc.subject.lembEstimación de parámetrosspa
dc.subject.lembTeoría de la estimaciónspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInvestigacionesspa
dc.subject.lembAnálisisspa
dc.contributor.corporatenameInstituto Tecnológico y de Estudios Superiores de Monterrey (ITESM)spa
dc.description.abstractenglishWe present below a simulation study about the choice of the optimal smoothing parameter in the variable selection problem in regression non-parametric implementing a numerical solution. A computational mechanism that allows automatic selection of the Optimal smoothing in the variable selection problem in nonparametric regression. We will get some estimates of the regression function to be used in selecting the optimal value for the smoothing parameter that maximizes the power of a statistical regression curve comparison test non-parametric. The PPR (Projection Pursuit Regression) procedure is proposed to select significant variables in a non-parametric regression model. I know present some methods to select the smoothing parameter in regression non-parametric.eng
dc.subject.proposalAnálisis de regresión
dc.subject.proposalRegresión no-paramétrica
dc.subject.proposalEstimadores Kernel
dc.subject.proposalSelección de variables
dc.subject.proposalPPR
dc.subject.proposalSuavización
dc.subject.proposalParámetro de suavización
dc.subject.proposalCuasi-residuales
dc.subject.proposalAncho de banda
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.contributor.researchgroupGrupo de Investigación en Ciencias Aplicadas - GINCAPspa
dc.contributor.researchgroupGrupo de Investigaciones Clínicas
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Nombre:
2004_Tesis_Marco_Antonio_Lozano.pdf
Tamaño:
745.3Kb
Formato:
PDF
Descripción:
Tesis
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia