Оцінки квантилів розподілу похибок регресії у моделях сумішей зі змінними концентраціями
DOI:
https://doi.org/10.17721/1812-5409.2024/1.8Ключові слова:
модель суміші зі змінними концентраціями, нелінійна регресія, залишки, квантиліАнотація
Розглядаються статистичні дані отримані з суміші M різних підпопуляцій (компонентів суміші). Залежності між спостережуваними змінними описуються моделлю нелінійної регресії. Значення невідомих параметрів та розподіли похибок регресії є різними у різних компонентах. Концентрації компонентів змінюються від спостереження до спостереження.
У статті розглянуті оцінки для квантилів розподілів похибок регресії, що використовують навантажені емпіричні функції розподілу залишків. Отримані умови консистентності цих оцінок. Результати можуть бути використані для побудови діаграм квантиль проти квантиля.
Посилання
Gilchrist W.G. (2000) Statistical Modelling with Quantile Functions. London Chapman & Hall/CRC, 308 p. https://doi.org/10.1201/9781420035919
Groß J. (2003) Linear regression. Berlin Heidelberg Springer 394 p. https://doi.org/10.1007/978-3-642-55864-1
Grün B., Leisch F. (2006) Fitting finite mixtures of linear regression models with varying & fixed effects in R. In Alfredo Rizzi and Maurizio Vichi, editors, Compstat 2006 - Proceedings in Computational Statistics, Heidelberg Physica Verlag p. 853-860.
Maiboroda R., Sugakova O. (2008) Estimation and classification by observations from a mixture. [in Ukrainian] Kyiv: Kyiv University, 213 p.
Maiboroda R., Miroshnychenko V. (2020) Asymptotic normality of modified LS estimator for mixture of nonlinear regressions. Modern Stochastics: Theory and Applications, Vol.7, Iss.4 p. 435 - 448. https://doi.org/10.15559/20-VMSTA167
Maiboroda R., Miroshnychenko V., Sugakova O. (2022) Jackknife for nonlinear estimating equations. Modern Stochastics: Theory and Applications, Vol.9, Iss.4 pp. 377 - 399. https://doi.org/10.15559/22-VMSTA208
Miroshnychenko V.O. (2019) Residual analysis in regression mixture model Bulletin of Taras Shevchenko National University of Kyiv, Series: Physics and Mathematics, Vol.3, Iss. p. 8 - 16. https://doi.org/10.17721/1812- 5409.2019/3.1
Pidnebesna A., Fajnerova I., Horacek J., Hlinka J. (2023) Mixture Components Inference for Sparse Regression: Introduction and Application for Estimation of Neuronal Signal from fMRI BOLD. Applied Mathematical Modelling, Vol. 116, p. 735-748. https://doi.org/10.1016/j.apm.2022.11.034
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Rostyslav Maiboroda, Vitaliy Miroshnychenko, Olena Sugakova
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
