Непараметрическое оценивание регрессии 321— 3>25, 334—335 Неразличимые ( связные , объединенные ) ранги 100, 101 Нормальная система уравнений 272 [c.473]
Поскольку в непараметрических оценках / (XQ) используется не вся выборка, а только ее часть — совокупность пар 0/ь Xi) с X,, входящими в окрестность О (Х0), где приближенно верны классические предположения, то в случае, когда 1) классические предположения верны для всей области измене ния X и 2) параметрическое представление регрессионной зависимости известно исследователю, непараметрические оценки всегда менее эффективны по сравнению с классическими. Однако они имеют меньшее смещение, когда эти предположения нарушаются. В реальных задачах, выбирая метод оценивания регрессии, следует стремиться сбалансировать обе погрешности случайную, как правило, уменьшающуюся при расширении объема используемой выборки, и систематическую, растущую при этом. [c.322]
Непараметрический подход к оцениванию регрессии позволяет ослабить ряд основных предположений регрессионного анализа 1) требование априорного знания с точностью до неизвестных значений параметров аналитического вида регрессионной зависимости Е (у Х) и 2) требование постоянства (для всех значений регрессора) дисперсии случайной по- [c.334]
Смотреть страницы где упоминается термин Непараметрическое оценивание регрессии
: [c.90] [c.426]Смотреть главы в:
Прикладная статистика Исследование зависимостей -> Непараметрическое оценивание регрессии