Transformační modely

Abstract

Tato práce se zabývá hledáním vhodné transformace, která by dobře modelovala data. Je zaměřena na transformace, které známe až na parametr, který je třeba odhadnout. Dva základní přístupy tvoří transformace v lineární a neparametrické regresi. V obou případech se zabýváme odhadem parametru transformace a vlastnostmi těchto odhadů jako je konzistence a asymptotická normalita. V lineární regresi ukážeme, že přístup nejmenších čtverců nedává uspokojivé výsledky. Předvedeme metodu GMM, která poskytuje odhad parametru transformace tak i parametrů modelu. Ukážeme i alternativu pro Boxovu-Coxovu transformaci. Pro ni uděláme i simulační studii pro odhad parametrů a jejich směrodatných odchylek pomocí bootstrapu. V neparametrické regresi konstruujeme odhad parametru transformace pomocí profilové věrohodnosti a odhad hustoty chybových členů. O obou odhadech je známo asymptotické rozdělení.

This thesis deals with a finding ideal transformation which can model data well. We focus on transformations which we know up to a parametr. We need to estimate the parametr of the transformation. The main approach of study transformation is in linear regression and in nonparametric regression. In both cases we focus on estimating the transformation parametr and properties of this estimator such as consistency and asymptotic normality. We show in linear regression that the aprroach of least squares do not work properly. Instead of this we use a generalized moment method which can estimate parametr of transformation and also a regression coefficients. We show also a different solution for our problem in specific transformation called Box-Cox. For this situation we make a simulation study for estimators and standard deviations. The standard deviation are obtained by bootstrap method. In nonparametric regression we use profile likelihood to estimate transformation parametr. We also construct an estimator of density of error terms. In both cases we know the asymptotic distribution.