Estimación Frontera con el Estimador de Regresión con Conjunto Difuso

• Jesús A. Fajardo Departamento de Matemática, Núcleo de Sucre, Universidad de Oriente, Cumaná 6101, República Bolivariana de Venezuela

Palabras clave: Estimador de regresión con conjunto difuso, estimación frontera

Resumen

Con el fin de ampliar las propiedades del método de estimación de regresión con conjunto difuso y proporcionar nuevos resultados relacionados con los problemas de estimación no paramétrica de la regresión no basados en núcleos, este artı́culo analiza los posibles efectos frontera, si los hay, del estimador de regresión con conjunto difuso y presenta un criterio para eliminarlo. Además, se propone un estimador frontera con conjunto difuso el cual se define como una clase particular de estimadores de regresión con conjunto difuso, donde el sesgo, la varianza, el error cuadrático medio y la función que minimiza el error cuadrático medio del estimador propuesto son presentados. Finalmente, estos resultados teóricos se ilustran a través de algunos ejemplos numéricos y con un ejemplo de datos reales. Las simulaciones muestran que el estimador propuesto tiene un mejor desempeño en los puntos cercanos a cero en un entorno disperso del parámetro de suavizado, cuando se compara con un estimador general frontera de la regresión con núcleo para los dos modelos de regresión y las dos funciones de densidad consideradas. Lo expuesto anteriormente representa la extensión natural de los resultados recientes al caso del estimador frontera de la densidad con conjunto difuso.

Citas

[1] T. H. Ali, H. A. A.-M. Hayawi and D. S. I. Botani (2021). Estimation of the bandwidth parameter in Nadaraya-Watson kernel non-parametric regression based on universal threshold level, Commun. Stat. - Simul. Comput., 1–34. DOI: 10.1080/03610918.2021.1884719
[2] L. R. Cheruiyot (2020). Local Linear Regression Estimator on the Boundary Correction in Nonparametric Regression Estimation, JSTA, 19 (3), 460–471. DOI: 10.2991/jsta.d.201016.001
[3] L. R. Cheruiyot, O. R. Otieno and G. O. Orwa (2019). A Boundary Corrected Non-Parametric Regression Estimator for Finite Population Total,Int. J. Probab. Stat., 8 (3), 1–83. DOI: 10.5539/ijsp.v8n3p83
[4] F. Comte, and N. Marie (2021). On a Nadaraya-Watson estimator with two bandwidths, Electron. J. Statist, 15 (1), 2566–2607. DOI: 10.1214/21-EJS1849
[5] J. Fajardo (2012). A Criterion for the Fuzzy Set Estimation of the Regression Function, J. Prob. Stat., 2012. DOI: 10.1155/2012/593036
[6] J. Fajardo (2014). A criterion for the fuzzy set estimation of the density function, Braz. J. Prob. Stat., 28 (3), 301–312. DOI: 10.1214/12-BJPS208
[7] J. Fajardo (2018). Comparison of the Mean Square Errors of the Fuzzy Set Regression Estimator and Local Linear Regression Smoothers, Int. J. Math. Stat., 19 (1), 74–89. http://www.ceser.in/ceserp/index.php/ijms/article/view/5355
[8] J. Fajardo and P. Harmath (2021). Boundary estimation with the fuzzy set density estimator, METRON, 79, 285–302. DOI: 10.1007/s40300-021-00210-z
[9] J. Fajardo R. Rı́os and L. Rodrı́guez (2010). Properties of convergence of a fuzzy set estimator of the regression function, J. Stat., Adv. Theory Appl., 3 (2), 79–112. Zbl 05800441
[10] J. Fajardo, R. Rı́os and L. Rodrı́guez (2012). Properties of convergence of a fuzzy set estimator of the density function, Braz. J. Prob. Stat., 26 (2), 208–217. DOI: 10.1214/10-BJPS130
[11] M. Falk and F. Liese (1998). Lan of thinned empirical processes with an application to fuzzy set density estimation, Extremes, 1 (3), 323–349. DOI: 10.1023/A:1009981817526
[12] F. Ferraty, V. Núñez-Antón, and P. Vieu (2001). Regresión No Paramétrica: Desde la Dimensión uno Hasta la Dimensión Infinita, Servicio Editorial de la Universidad del Pais Vasco, Bilbao.
[13] P. Hall and B. U. Park (2002). New methods for bias correction at endpoints and boundaries, Ann. Statist., 30 (5), 1460–1479. DOI: 0.1214/aos/1035844983
[14] W. Härdle (1990). Applied nonparametric regression, Cambridge University Press.
[15] R. Hidayat, I. N. Budiantara, B. W. Otok and V. Ratnasari (2021). The regression curve estimation by using mixed smoothing spline and kernel (MsS-K) model, Commun. Stat. Theory Methods, 50 (17), 3942–3953. DOI: 10.1080/03610926.2019.1710201
[16] M. C. Jones and P. J. Foster (1996). A simple nonnegative boundary correction method for kernel density estimation, Stat. Sinica, 6 (4), 1005–1013.
http://www3.stat.sinica.edu.tw/statistica/j6n4/j6n414/j6n414.htm
[17] R. J. Karunamuni and T. Alberts (2005). On boundary correction in kernel density estimation, Stat. Methodol., 2 (3), 191–212. DOI: 10.1016/j.stamet.2005.04.001
[18] B. C. Kouassi, O. Hili and E. Katchekpele (2021). Nadaraya-Watson estimation of a non-parametric autoregressive mode, MJM, 9 (4), 251–258. DOI: 10.26637/mjm904/009
[19] Y. Linke, I. Borisov, P. Ruzankin, V. Kutsenko, E. Yarovaya and S. Shalnova (2022). Universal Local Linear Kernel Estimators in Nonparametric Regression, Mathematics, 10 (15), 2693. DOI: 10.3390/math10152693
[20] E. A. Nadaraya (1964). On estimating regression, Theory Probab. Appl., 9, 141–142. DOI: 10.1137/1109020
[21] R. D. Reiss (1993). A Course on Point Processes, Springer Series in Statistics, New York.
[22] I. Salgado-Ugarte, M. Shimizu and T. Taniuchi (1996). Nonparametric regression: Kernel, WARP, and k-NN estimators, S.T.B., 5. https://EconPapers.repec.org/Re-PEc:tsj:stbull:y:1996:v:5:i:30:snp10
[23] G. Schmidt, R. Mattern and F. Schüler (1981). Biomechanical investigation to determine physical and traumatological differentiation criteria for the maximum load capacity of head and vertebral column with and without protective helmet under effects of impact. EEC Research Program on Biomechanics of Impac, Final Report Phase III, Project 65, Institut für Rechtsmedizin, Universität Heidelberg.
[24] K. Souraya, A. Sayah and Y. Djabrane (2015). General method of boundary correction in kernel regression estimation, Afr. Stat., 10, 739–750. DOI: 10.16929/as/2015.729.66
[25] I. Sriliana, I . N. Budiantara and V. Ratnasari (2022). A Truncated Spline and Local Linear Mixed Estimator in Nonparametric Regression for Longitudinal Data and Its Application, Symmetry, 14 (12), 2687. DOI: 10.3390/sym14122687
[26] C. J. Stone (1980). Optimal rates of convergence for nonparametric estimators, Ann. Statist., 8, 1348–1360. DOI: 10.1214/aos/1176345206
[27] G. S. Watson (1964). Smooth regression analysis, Sankhyā, Ser. A, 26, 359–372. https://www.jstor.org/stable/25049340
[28] L. A. Zadeh (1965). Fuzzy sets, Inform. Control, 8, 338–353.
[29] S. Zhang and R. J. Karunamuni (1998). On kernel density estimation near endpoints, J. Stat. Plan. Infer., 70 (2), 301–316. DOI: 10.1016/S0378-3758(97)00187-0
[30] S. Zhang, R. J. Karunamuni and M. C. Jones (1999). An Improved Estimator of the Density Function at the Boundary, J. Am. Stat. Assoc. 94 (448), 1231–1240. DOI: 10.1080/01621459.1999.10473876