Estratégia para posicionamento de nó para regressão spline penalizado

Gabriel Edson Sousa da Silva, Matheus Costa da Silva, Ernandes Guedes Moura, Luiz Leonardo Duarte Garcia

Resumo


Apresentamos um novo método para a seleção de sequências de nós para curvas de regressão P-spline. O método parte do pressuposto que os próprios dados determinam a quantidade e a posição dos nós. Assim, esse novo esquema de colocação de nós assume que os nós são uma variável aleatória através de uma grade fina de possíveis candidatos a nós no intervalo da co-variável. Dessa forma, através de uma busca em grade determina-se o knot que maximiza a correlação em cada iteração. Esse novo esquema de colocação de nós obteve excelentes resultados comparativamente a métodos convencionais de alocação de nós em um estudo de simulação e, além disso, nosso estudo de simulação evidencia que essa estratégia torna o modelo mais parcimonioso. Os resultados fornecem orientação na seleção do número de nós não necessariamente equidistantes em um modelo de de regressão spline penalizada

Palavras-chave


Regressão não paramétrica; Regressão semi-paramétrica; Splines penalizados; Colocação do nós

Texto completo:

PDF

Referências


CRAVEN, Peter; WAHBA, Grace. Smoothing Noisy Data with Spline Functions - Estimating the Correct Degree of Smoothing by the Method of Generalized Cross-Validation. Numerische mathematik, v. 31, n. 4, p. 377-403, 1978.https://link.springer.com/content/pdf/10.1007 MONTOYA, Eduardo L.; ULLOA, Nehemias; MILLER, Victoria. A simulation study comparing knot selection methods with equally spaced knots in a penalized regression spline. International Journal of Statistics and Probability, v. 3, n. 3, p. 96-110, 2014.

RUPPERT, David. Selecting the number of knots for penalized splines. Journal of computational and graphical statistics, v. 11, n. 4, p. 735-757, 2002.

RUPPERT, David; WAND, Matt P.; CARROLL, Raymond J. Semiparametric

regression. Cambridge university press, 2003.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2018. ISBN 3-900051-07-0, URL https://www.R-project.org/.

YAO, Fang; LEE, Thomas CM. On knot placement for penalized spline regression. Journal of the Korean Statistical Society, v. 37, n. 3, p. 259-267, 2008.