Modelos aditivos de coeficientes variables con respuestas de densidad y proceso de error automático funcional

Área de la Ciencia:

• Las estadísticas
• Ciencia de los datos
• Análisis de las series temporales

Sus antecedentes:

• La autocorrelación en los datos de series temporales puede conducir a inferencias estadísticas sesgadas.
• Los modelos existentes pueden no capturar adecuadamente la dependencia en serie en las respuestas valoradas por densidad.

Objetivo del estudio:

• Proponer un nuevo modelo aditivo de coeficientes variables para respuestas con valores de densidad.
• Incorporar un proceso de error auto regresivo funcional (FAR) para abordar la dependencia en serie.
• Proporcionar un procedimiento de estimación robusto para el análisis de datos dependientes en serie.

Principales métodos:

• Transformación de densidad log-cuantilo para mapear las funciones de densidad en un espacio lineal.
• Aproximación de la serie B-spline para la estimación inicial de las funciones de coeficiente variable.
• Técnicas de suavizado de eslabones para estimar el proceso de error auto-regresivo funcional.
• Refinamiento de los componentes aditivos mediante ajustes para el proceso de error estimado.

Principales resultados:

• El método propuesto tiene efectivamente en cuenta la autocorrelación en las respuestas valoradas por densidad.
• Se establecen propiedades teóricas, incluidas las tasas de convergencia y el comportamiento asintótico.
• Los estudios de simulación y las aplicaciones de datos del mundo real demuestran la eficacia del método.

Conclusiones:

• El modelo aditivo de coeficiente variable desarrollado con un proceso de error auto regresivo funcional ofrece una mejor inferencia estadística para los datos de series temporales.
• Este enfoque proporciona una herramienta valiosa para analizar datos complejos, dependientes de la densidad en varias aplicaciones prácticas.