Modern Asymptotic Perspectives on Errors-in-variables Modeling

Abstract

A linear regression model, where covariates and a response are subject to errors, is considered in this thesis. For so-called errors-in-variables (EIV) model, suitable error structures are proposed, various unknown parameter estimation techniques are performed, and recent algebraic and statistical results are summarized. An extension of the total least squares (TLS) estimate in the EIV model-the EIV estimate-is invented. Its invariant (with respect to scale) and equivariant (with respect to the covariates' rotation, to the change of covariates direction, and to the interchange of covariates) properties are derived. Moreover, it is shown that the EIV estimate coincides with any unitarily invariant penalizing solution to the EIV problem. It is demonstrated that the asymptotic normality of the EIV estimate is computationally useless for a construction of confidence intervals or hypothesis testing. A proper bootstrap procedure is constructed to overcome such an issue. The validity of the bootstrap technique is proved. A simulation study and a real data example assure of its appropriateness. Strong and uniformly strong mixing errors are taken into account instead of the independent ones. For such a case, the strong consistency and the asymptotic normality of the EIV estimate are shown. Despite of that, their...

Uvažujeme lineární regresní model, kde kovariáty a odezva jsou měřeny s chybou. Pro takzvaný model s chybami v měřeních (EIV) jsou navrženy vhodné struktury chyb, předvedeny jsou různé techniky odhadování neznámých parametrů, a zhrnuty jsou aktuální algebraické a statistické výsledky. Vynalezli jsme zobecnení odhadu založeném na úplně nejmenších čtvercích (TLS) v EIV modelu, tzv. EIV odhad. Jeho invariance (vzhledem k měřítku) a ekvivariance (vzhledem k rotaci kovariát, k změně orientaci kovariát a k záměně kovariát) jsou odvozeny. Navíc jsme ukázali, že EIV odhad je unitárně invariantní řešení EIV optimalizačního problému. Demonstrujeme, že asymptotická normalita EIV odhadu je výpočetně nevhodná pro konstrukci intervalů spolehlivosti nebo pro testování hypotéz. Správná bootstrapová procedura je zkonstruována, aby překonala takový problém. Její validita je dokázána. Simulační studie a příklad s reálnými daty ujišťují o její vhodnosti. Předpokládáme, ze chyby tvoří slabý nebo stejnoměrně slabý mixing a tedy už nejsou nezávislé. V takovém případě je dokázána silná konzistence a asymptotická normalita EIV odhadu. Navzdory tomu ich praktická aplikovatelnost zůstává problematická. Vhodná bloková bootstrapová metoda je navržena pro EIV odhad se slabě závislými chybami a následně je její oprávněnost dokázána....