Sieve Estimators for Spatial Data
Nonparametric Regression and Density Models with Wavelets for Strong Mixing Random Fields
Johannes Theodor Nikolaus Krebs
Hrsg.: Fraunhofer ITWM
2017, 136 S., num., mostly col. illus. and tab., Softcover
Sprache: Englisch
Kaiserslautern, TU, Diss., 2017
Fraunhofer Verlag
ISBN 978-3-8396-1186-9

zur Open Access Version

Inhalt
Die Dissertation befasst sich mit der Weiterentwicklung von Siebschätzern auf räumlich abhängige Daten, die Daten können dabei als Zufallsvariablen auf einem Graphen definiert sein. In Kapitel 1 werden grundlegende Definitionen für Zufallsfelder und deren Eigenschaften behandelt. In Kapitel 2 wird der lineare Siebschätzer von Györfi et al. für Zufallsfelder untersucht. Ausgehend von einer Menge an Basisfunktionen, welche eine universelle Approximationeigenschaft besitzt, werden Aussagen zur Konsistenz und L^2-Konvergenzrate bewiesen. In Kapitel 3 wird ein nichtlinearer Schätzer für Zufallsfelder untersucht. Ausgehend von Basisfunktionen, welche orthogonal bezüglich des empirischen Maßes sind, wird die Konsistenz und Konvergenzgeschwindigkeit dieses Schätzers untersucht. In Kapitel 4 werden nichtparametrische Dichteschätzer für Zufallsfelder betrachtet. Für den linearen Schätzer von Devroye und Györfi werden L^1- und L^2-Konvergenzraten hergeleitet. Für mehrdimensionale Wavelets wird der Schätzer von Kerkyacharian und Picard untersucht. Ferner wird die multivariate Version des Schätzers von Donoho et al. betrachtet. In jedem Kapitel werden die Ergebnisse mit Simulationen veranschaulicht.

Verfügbare Formate