Nonparametric and Semiparametric Models

مفهوم هموارسازی ناپارامتریک یک ایده اصلی در آمار است که هدف آن تخمین و تغییر ساختار زیربنایی به طور همزمان است. این کتاب اجسام با ابعاد بالا را به عنوان توابع چگالی و رگرسیون در نظر می گیرد. تکنیک مدل‌سازی نیمه‌پارامتری دو هدف، انعطاف‌پذیری و سادگی رویه‌های آماری را با معرفی مؤلفه‌های پارامتری جزئی به خطر می‌اندازد. این اجزا اجازه می دهد تا با شرایط ساختاری مانند به عنوان مثال مطابقت داشته باشند. خطی بودن در برخی متغیرها و ممکن است برای مدل‌سازی تأثیر متغیرهای گسسته استفاده شود.

هدف این رساله ارائه اصول آماری و ریاضی هموارسازی با تمرکز بر تکنیک‌های کاربردی است. درمان ریاضی لازم به راحتی قابل درک است و طیف گسترده ای از مثال های هموارسازی تعاملی ارائه شده است.

این کتاب به طور طبیعی به دو بخش تقسیم می شود: مدل های ناپارامتریک (هیستوگرام، تخمین چگالی هسته، رگرسیون ناپارامتریک) و مدل های نیمه پارامتریک ( رگرسیون تعمیم یافته، مدل های تک شاخص، مدل های خطی جزئی تعمیم یافته، مدل های افزایشی و افزایشی تعمیم یافته). بخش اول برای دانشجویان مقطع کارشناسی در رشته ریاضیات، آمار، اقتصاد سنجی یا بیومتریک در نظر گرفته شده است، در حالی که بخش دوم برای دانشجویان یا محققین کارشناسی ارشد و دکتری در نظر گرفته شده است.

به راحتی می توان این مطالب را به انجام رساند. -شخصیت کتاب متن حداکثر انعطاف پذیری را در شدت یادگیری (و تدریس) می دهد.

The concept of nonparametric smoothing is a central idea in statistics that aims to simultaneously estimate and modes the underlying structure. The book considers high dimensional objects, as density functions and regression. The semiparametric modeling technique compromises the two aims, flexibility and simplicity of statistical procedures, by introducing partial parametric components. These components allow to match structural conditions like e.g. linearity in some variables and may be used to model the influence of discrete variables.

The aim of this monograph is to present the statistical and mathematical principles of smoothing with a focus on applicable techniques. The necessary mathematical treatment is easily understandable and a wide variety of interactive smoothing examples are given.

The book does naturally split into two parts: Nonparametric models (histogram, kernel density estimation, nonparametric regression) and semiparametric models (generalized regression, single index models, generalized partial linear models, additive and generalized additive models). The first part is intended for undergraduate students majoring in mathematics, statistics, econometrics or biometrics whereas the second part is intended to be used by master and PhD students or researchers.

The material is easy to accomplish since the e-book character of the text gives a maximum of flexibility in learning (and teaching) intensity.