S'abonner

Nonparametric trigonometric orthogonal regression estimation - 25/07/16

Doi : 10.1016/j.crma.2016.02.013 
Nora Saadi , Smail Adjabi
 LAMOS Laboratory, University of Bejaia, Algeria 

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 8
Iconographies 0
Vidéos 0
Autres 0

Abstract

Eubank, Hart, and Speckman (1990) [[2]] have investigated the nonparametric trigonometric regression estimator. They assumed that the observation   points satisfy  ,  , where   is a density satisfying certain smoothness conditions, and in a work by E. Rafajłowicz (1987) [[3]], the observation points coincide with knots of numerical quadratures. The aim of the present work is to introduce a new estimator of the regression function based on trigonometric series, for fixed point designs different from the ones considered so far, under milder restrictions on the observation points. This seems to be important since it may be numerically difficult to determine exactly the points   satisfying the recent condition or the knots of appropriate numerical quadratures, especially when their number is large.

Le texte complet de cet article est disponible en PDF.

Résumé

Eubank, Hart et Speckman (1990) [[2]] ont étudié l'estimation non paramétrique de la fonction de régression par des séries trigonométriques. Ils ont supposé que les observations   satisfont la condition  ,  , où   est une densité vérifiant certaines conditions de régularité. Dans un travail de Rafajłowicz (1987) [[3]], les observations coincident avec les nœuds des fonctions numériques quadratiques. Ce travail a pour objectif d'introduire un nouvel estimateur de la fonction de régression basé sur un système trigonométrique. On supposera que les observations sont prises en des points équidistants, car il est difficile de déterminer numériquement avec précision les points   satisfaisant aux précédentes conditions, spécialement quand le nombre d'observations est grand.

Le texte complet de cet article est disponible en PDF.

Plan


© 2016  Académie des sciences. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 354 - N° 8

P. 851-858 - août 2016 Retour au numéro
Article précédent Article précédent
  • Estimation locale linéaire de la fonction de régression pour des variables hilbertiennes
  • Jacques Demongeot, Ali Laksaci, Amina Naceri, Mustapha Rachdi
| Article suivant Article suivant
  • Improvement of Pellet's theorem for scalar and matrix polynomials
  • Aaron Melman

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.