In:
Canadian Journal of Statistics, Wiley, Vol. 50, No. 1 ( 2022-03), p. 241-266
Abstract:
La régression expectile constitue une alternative à la régression quantile ou moyenne conditionnelle fort utile pour caractériser la distribution conditionnelle d'une variable réponse et plus particulièrement lorsque celle‐ci est asymétrique ou ses queues sont d'intérêt particulier. Les auteurs de cet article proposent une classe de modèles de régression linéaire scalaire sur fonction où le paramètre de pente fonctionnelle est supposé appartenir à un espace de Hilbert à noyau auto‐reproduisant (RKHS). L'approche proposée remédie aux nombreux inconvénients des estimateurs usuels basés sur l'analyse en composantes principales fonctionnelles (FPCA) et qui font des hypothèses implicites sur la structure de valeurs propres de l'espace RKHS. Ce travail montre que l'estimateur proposé peut atteindre un taux de convergence optimal en établissant des limites inférieures et supérieures asymptotiques minimax sur l'erreur de prédiction. Une implémentation flexible basée sur l'algorithme des directions alternées est également proposée. Enfin, les auteurs présentent les résultats d'études de simulation et une analyse de données en neuroimagerie, ce qui permet de valider leur méthodologie et résultats théoriques et qui fait ressortir la supériorité de l'approche proposée comparativement aux approches basées sur la FPCA et ce dans de nombreux contextes.
Type of Medium:
Online Resource
ISSN:
0319-5724
,
1708-945X
Language:
English
Publisher:
Wiley
Publication Date:
2022
detail.hit.zdb_id:
2007833-X
detail.hit.zdb_id:
197355-1