Estimación semiparamétrica y datos funcionales
Profesor: Graciela Boente
Puntaje: 4 puntos (Lic. y Prof.)
Correlatividades: Prácticas de Estadística, Modelo Lineal (preferentemente) y Análisis Funcional
Carga horaria: 6 horas por semana (Clases teóricas. Prácticos a resolver por los alumnos o papers para leer y exponer por ellos.)
Carreras: Licenciatura en Matemática (Or. Pura y Aplicada), Profesorado en Matemática. Doctorado en Matemática.
Breve descripción del curso:
1.Modelo de regresión noparamétrica. Planteo del modelo. Métodos de estimación basados en núcleos, vecinos más cercanos y vecinos más cercanos con núcleos. B-splines. Consistencia y distribución asintótica en el caso i.i.d. y para procesos a-mezclantes. Selección del parámetro de suavizado: convalidación cruzada y métodos plug-in. Procedimientos robustos de estimación
2. Modelos aditivos. La maldición de la dimensión. Método de backfitting. Método de integración marginal. Caso independiente y de modelos de autoregresión noparamétrica.
3. Modelos parcialmente lineales. Estimación por mínimos cuadrados, método de núcleos y de B-splines. Consistencia y distribución asintótica. Selección del parámetro de suavizado. Métodos robustos.
4.Modelos de índice simple. Identificación. Métodos de estimación. Consistencia.
5. Modelos parcialmente lineales generalizados. Planteo del modelo. Estimación clásica usando el método de verosimilitud basada en perfiles. Problemas computacionales. Métodos robustos.
6.Estadística de datos funcionales. Planteo del problema. Ejemplos.
7.Predicción para datos funcionales. Método de núcleos. Consistencia. Problemas computacionales.
8.Componentes principales funcionales. Definición del problema y descripción de los estimadores. Consistencia y distribución asintótica. Problemas computacionales. Obtención de componente principales suaves: método de núcleo y de penalización.
9.Correlación canónica y análisis discriminante de datos funcionales. Planteo del problema. Dificultades para su estimación. Suavización. Consistencia.