{"id":22681,"date":"2018-03-09T09:12:56","date_gmt":"2018-03-09T09:12:56","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/aportaciones-en-la-estimacion-no-parametrica-de-modelos-de-regresion-aditivos\/"},"modified":"2018-03-09T09:12:56","modified_gmt":"2018-03-09T09:12:56","slug":"aportaciones-en-la-estimacion-no-parametrica-de-modelos-de-regresion-aditivos","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/aportaciones-en-la-estimacion-no-parametrica-de-modelos-de-regresion-aditivos\/","title":{"rendered":"Aportaciones en la estimaci\u00f3n no param\u00e9trica de modelos de regresi\u00f3n aditivos"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Roc\u00edo Raya Miranda <\/strong><\/h2>\n<p>La teor\u00eda y m\u00e9todos de regresi\u00f3n no param\u00e9trica se han desarrollado principalmente en las \u00faltimas d\u00e9cadas. Los modelos de tipo no param\u00e9trico no imponen fuertes restricciones sobre la estructura de los datos, permitiendo una mayor flexibilidad y adaptabilidad a lo observado.  en esta memoria se considera de partida el planteamiento de un problema de regresi\u00f3n multivariante, y se estudia las generalizaciones a tal situaci\u00f3n de suavizadores univariantes de inter\u00e9s. En los \u00faltimos a\u00f1os se han propuesto diferentes aproximaciones; entre ellas, se centra este estudio en los modelos aditivos para estimar la funci\u00f3n de regresi\u00f3n multivariante.  los modelos aditivos son una t\u00e9cnica de regresi\u00f3n no param\u00e9trica multivariante muy utilizada, en gran parte debido a la extensa discusi\u00f3n de la t\u00e9cnica que realizan hastie y tibshirani (1990) y a las posibilidades de ajuste mediante rutinas de s-plus descritas por chambers y hastie (1992). Estos modelos resuelven los problemas que presentaban las versiones multivariantes de los suavizadores univariantes, al considerar la funci\u00f3n de regresi\u00f3n como la suma de funciones suaves de cada variable explicativa. De este modo, se puede estimar cada una de las componentes por separado utilizando suavizadores univariantes, y la estimaci\u00f3n global se define por la suma de todas las estimaciones.  los principales m\u00e9todos de estimaci\u00f3n de estos modelos son el algoritmo backfitting, de buja, hastie y tibshirani (1989) y el m\u00e9todo de integraci\u00f3n marginal propuesto por linton y nielsen (1995). A partir de estos m\u00e9todos se han desarrollado varios procedimientos en un intento siempre de obtener mejores resultados en las estimaciones.  la generalizaci\u00f3n de las t\u00e9cnicas de suavizamiento univariantes al problema de regresi\u00f3n multivariante lleva asociado al hecho de tener que seleccionar una matriz de anchos de banda; problema que ha sido mucho menos considerado en la literatura que el problema en<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Aportaciones en la estimaci\u00f3n no param\u00e9trica de modelos de regresi\u00f3n aditivos<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Aportaciones en la estimaci\u00f3n no param\u00e9trica de modelos de regresi\u00f3n aditivos <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Roc\u00edo Raya Miranda <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 Granada<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 25\/04\/2003<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Andr\u00e9s Gonz\u00e1lez Carmona<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: ram\u00f3n Guti\u00e9rrez Jaimez <\/li>\n<li>wenceslao Gonz\u00e1lez manteiga (vocal)<\/li>\n<li> Bueso montero Jos\u00e9 Luis (vocal)<\/li>\n<li>Juan Mu\u00f1oz pichardo (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Roc\u00edo Raya Miranda La teor\u00eda y m\u00e9todos de regresi\u00f3n no param\u00e9trica se han desarrollado principalmente en las [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[1],"tags":[3560,35537,67665,3365,67664,2767],"class_list":["post-22681","post","type-post","status-publish","format-standard","hentry","category-sin-categoria","tag-andres-gonzalez-carmona","tag-bueso-montero-jose-luis","tag-juan-munoz-pichardo","tag-ramon-gutierrez-jaimez","tag-rocio-raya-miranda","tag-wenceslao-gonzalez-manteiga"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/22681","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=22681"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/22681\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=22681"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=22681"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=22681"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}