Lokální polynomická regrese

Abstract

Tato práce se zabývá lokální polynomickou regresí. Lokální polynomická regrese je jedním z neparametrických přístupů k vyrovnávání dat. Tato konkrétní metoda je založena na opakování parametrického vyrovnávání dat metodou vážených nejmenších čtverců za použití modelu polynomu. Cílem práce je proto připomenutí základních vlastností metody vážených nejmenších čtverců v kontextu modelu klasické lineární regrese a navazující zavedení metody nerobustní lokální polynomické regrese. Následně se v práci odvozují některé statistické vlastnosti metody lokální polynomické regrese. Podmíněné vychýlení a podmíněný rozptyl odhadu jsou následně aproximovány pomocí metody Monte Carlo a tyto aproximace jsou porovnány s teoretickým výsledkem. Powered by TCPDF (www.tcpdf.org)

This thesis examines local polynomial regression. Local polynomial regression is one of non-parametric approach of data fitting. This particular method is based on repetition of fitting data using weighted least squares estimate of the parameters of the polynomial model. The aim of this thesis is therefore revision of some properties of the weighted least squares estimate used in linear regression model and introduction of the non-robust method of local polynomial regression. Some statistical properties of the local polynomial regression estimate are derived. Conditional bias and conditional variance of the local polynomial regression estimate are then approximated using Monte Carlo method and compared with theoretical results. Powered by TCPDF (www.tcpdf.org)