Estudo de simulação na análise de dados funcionais: Spline x Fourier

  • Matheus Costa da Silva Instituto Federal do Maranhão - IFMA
  • Gabriel Edson Sousa da Silva Instituto Federal do Maranhão - IFMA
  • Ernandes Guedes Moura Instituto Federal do Maranhão - IFMA
  • Luiz Leonardo Duarte Garcia Instituto Federal do Maranhão - IFMA
Palavras-chave: Regressão não paramétrica, Regressão semi-paramétrica, Splines, Regressão Funcional.

Resumo

A análise funcional utiliza combinações lineares de funções básicas como o principal método para representar funções. O uso de funções básicas é um dispositivo computacional bem adaptado para armazenar informações sobre funções, uma vez que é muito flexível e tem o poder computacional de encaixar até mesmo centenas de milhares de pontos de dados. Além disso, permite que os cálculos necessários sejam expressos dentro do contexto familiar da álgebra matricial o que facilita a implementação em software estatístico. Além disso, devido à simplicidade e eficácia para lidar com diferentes problemas de suavização semiparamétrica, a regressão funcional (Spline, Fourier, etc.) recentemente se tornou uma ferramenta popular para resolver vários problemas de estimativa nas mais variadas ciências. Neste artigo, usamos um estudo de simulação para comparar um método com nós equidistantes em um modelo de spline de regressão com um modelo de base Fourier. Ambos os métodos o número de nós para Spline e o número de bases para Fourier foram determinado pelo algorítimo busca direta. Em nosso estudo de simulação não identificamos vantagens entre os métodos.

Biografia do Autor

Ernandes Guedes Moura, Instituto Federal do Maranhão - IFMA
Possui graduação em LICENCIATURA EM MATEMÁTICA pelo Instituto Federal do Piauí Campus Floriano (2011) , mestrado em Estatística e Experimentação em Agropecuária-UFLA e, Doutorando na mesma Instituição. Atualmente é professor EBTT do Instituto Federal do Maralhão. Tem experiência na área de Matemática, com ênfase em Matemática e em Estatística.

Referências

MONTESINOS-LOPEZ, Abelardo et al. Bayesian functional regression as an alternative statistical analysis of high-throughput phenotyping data of modern agriculture. Plant methods, v. 14, n. 1, p. 46, 2018.

MORRIS, Jerey S. Functional regression. Annual Review of Statistics and Its Application, v. 2, p. 321-359, 2015.

RAMSAY, James O.; DALZELL, C. J. Some tools for functional data analysis. Journal of the Royal Statistical Society: Series B (Methodological), v. 53, n. 3, p. 539-561, 1991.

RAMSAY, James, Giles HOOKER, and Spencer GRAVES. 2009. Functional Data Analysis with R and MATLAB. New York: Springer Science e Business Media.

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/.

Publicado
29-07-2019