Quantile Non‑parametric Additive Models

Grażyna Trzpiot

doi:10.18778/0208-6018.345.07

Autor

Grażyna Trzpiot University of Economics in Katowice, Faculty of Informatics and Communication Department of Demography and Economic Statistics https://orcid.org/0000-0002-5129-5764

DOI:

https://doi.org/10.18778/0208-6018.345.07

Słowa kluczowe:

regresja kwantylowa, regresja nieparametryczna, model addytywny

Abstrakt

Regresja kwantylowa jest narzędziem analitycznym, które pozwala na ocenę oddziaływania zmiennych wyjaśniających, współzależnych na różne kwantyle zmiennej wyjaśnianej. Addytywne modele funkcji kwantylowych stanowią atrakcyjne ramy dla nieparametrycznych aplikacji regresji skoncentrowanych na funkcjach kwantyli zamiast na ich centralnej tendencji. W celu kontrolowania gładkości składników dodatkowych można zastosować kary za całkowite wygładzanie zmian. W artykule przedstawiono ogólne podejście do estymacji i wnioskowania dla modeli addytywnych tego typu. Regresja kwantylowa wykorzystywana jako miara ryzyka została zastosowana w analizie portfela sektorowego dla zbioru danych z Giełdy Papierów Wartościowych w Warszawie.

Pobrania

Statystyki pobrań niedostępne.

Bibliografia

Breiman L., Friedman J. (1985), Estimating optimal transformations for multiple regression and correlation, “Journal of the American Statistical Association”, vol. 80, no. 391, pp. 580–598.

Hastie T., Tibshirani R. (1986), Generalized Additive Models, “Statistical Science”, no. 1, pp. 297–310.

Hastie T., Tibshirani R. (1990), Generalized Additive Models, Chapman Hall, New York.

https://mfasiolo.github.io/qgam/articles/qgam.html (accessed: 5.11.2018).

Koenker R., Mizera I. (2004), Penalized triograms: total variation regularization for bivariate smoothing, “Journal of the Royal Statistical Society” (B), no. 66, pp. 145–163.

Koenker R., Ng P. (2005), A Frisch Newton Algorithm for Sparse Quantile Regression, “Mathematicae Applicatae Sinica”, no. 21, pp. 225–236.

Koenker R., Ng P., Portnoy S. (1994), Quantile smoothing splines, “Biometrika”, no. 81, pp. 673–680.

Lindsey J. K. (1997), Applying Generalized Linear Model, Springer, Berlin.

Wood S. (2006), Generalized Additive Models: An Introduction with R., Chapman Hall, New York.

Wood S. (2010), Mixed GAM Computation Vehicle with Automatic Smoothness Estimation, https://cran.r-project.org/web/packages/mgcv/mgcv.pdf (accessed: 12.12.2019).

Wood S. N. (2017). Generalized additive models: an introduction with R, CRC press, New York.

Wood S. N., Pya N., Säfken B. (2016), Smoothing parameter and model selection for general smooth models, “Journal of the American Statistical Association”, vol. 111(516), pp. 1548–1575.