Statistical inference based on saddlepoint approximations

Abstract

Název práce: Statistická inference založená na aproximací pomocí metody sedlového bodu Autor: Radka Sabolová Abstrakt: Metody založené na aproximacích pomocí sedlového bodu pro M- odhady se ve statistice osvědčily jako velmi přesné a robustní i pro výběry malého rozsahu. V této práci byly touto metodou odvozeny aproximace hustoty a testy v kvantilové regresi, a to pro parametrický i neparametrický případ. Kromě toho byl navržen i test o hodnotě regresního kvantilu založený na asymptotickém rozdělení zprůměrovaných regresních kvantilů. Tyto testy byly pak porovnány s jinými dostupnými testy v simulační studii. Poslední část práce je věnována speciálnímu případu Kullback-Leiblerovy divergence pro exponenciální rodinu rozdělení, na základě které byly také odvozeny aproximace hustoty maximálně věrohodného odhadu a suficientní statistiky pomocí metody sedlového bodu. 1

Title: Statistical inference based on saddlepoint approximations Author: Radka Sabolová Abstract: The saddlepoint techniques for M-estimators have proved to be very accurate and robust even for small sample sizes. Based on these results, saddle- point approximations of density of regression quantile and saddlepoint tests on the value of regression quantile were derived, both in parametric and nonpara- metric setup. Among these, a test on the value of regression quantile based on the asymptotic distribution of averaged regression quantiles was also proposed and all these tests were compared in a numerical study to the classical tests. Finally, special case of Kullback-Leibler divergence in exponential family was studied and saddlepoint approximations of the density of maximum likelihood estimator and sufficient statistic were also derived using this divergence. 1