Regresión semiparamétrica
En estadística, la regresión semiparamétrica incluye modelos de regresión que combinan modelos paramétricos y no paramétricos. A menudo se utilizan en situaciones en las que el modelo totalmente no paramétrico puede no funcionar bien o cuando el investigador desea utilizar un modelo paramétrico pero no se conoce la forma funcional con respecto a un subconjunto de los regresores o la densidad de los errores. Los modelos de regresión semiparamétrica son un tipo particular de modelado semiparamétrico y, dado que los modelos semiparamétricos contienen un componente paramétrico, se basan en supuestos paramétricos y pueden estar mal especificados y ser inconsistentes, al igual que un modelo totalmente paramétrico.
Métodos
Se han propuesto y desarrollado muchos métodos de regresión semiparamétrica diferentes. Los métodos más populares son los modelos parcialmente lineales, de índice y de coeficientes variables.
Modelos parcialmente lineales
Un modelo parcialmente lineal viene dado por
Donde es la variable dependiente, es un vector de variables explicativas, es un vector de parámetros desconocidos . La parte paramétrica del modelo parcialmente lineal es dada por el vector del parámetro mientras que la parte no paramétrica es la función desconocida . Se supone que los datos son i.i.d. con y el modelo permite un proceso de error heteroskedastico condicionalmente de forma desconocida. Este tipo de modelo fue propuesto por Robinson (1988) y ampliado para manejar covariados categóricos por Racine y Li (2007).
Este método se aplica mediante la obtención de un estimación constante de y luego conducir un estimador de la regresión no paramétrica on usando un método adecuado de regresión no paramétrica.
Modelos de índice
Un modelo de índice único toma la forma
Donde , y se definen como anteriores y el término de error satisfizo . El modelo de índice único toma su nombre de la parte paramétrica del modelo que es scalar índice único. La parte no paramétrica es la función desconocida .
Método de Ichimura
El método modelo de índice único desarrollado por Ichimura (1993) es el siguiente. Considerar la situación es continuo. Dado un formulario conocido para la función , se podría estimar utilizando el método de mínimos cuadrados no lineales para minimizar la función
Desde la forma funcional no se sabe, necesitamos estimarlo. Para un valor determinado una estimación de la función
usando el método del núcleo. Ichimura (1993) propone estimar con
el estimador de núcleo no paramétrico de licencia-uno-fuera .
Klein y el estimador de Spady
Si la variable dependiente es binario y y se supone que son independientes, Klein y Spady (1993) proponen una técnica para estimar usando métodos de probabilidad máxima. La función de probabilidad de registro es dada por
Donde es el estimador de licencia.
Modelos de coeficiente de absorción/varios
Hastie y Tibshirani (1993) proponen un modelo de coeficientes suaves dado por
Donde es un vectores y es un vector de funciones suaves no especificadas .
se puede expresar como
Véase también
- Regresión no paramétrica
- Grado efectivo de libertad
Notas
- ^ Véase Li y Racine (2007) para un examen a fondo de los métodos de regresión no paramétrica.
Referencias
- Robinson, P.M. (1988). "Root-n Regreso semiparamétrico persistente". Econometrica. 56 (4). La Sociedad Econométrica: 931–954. doi:10.2307/1912705. JSTOR 1912705.
- Li, Qi; Racine, Jeffrey S. (2007). No paramétrica Econometría: Teoría y práctica. Princeton University Press. ISBN 978-0-691-12161-1.
- Racine, J.S.; Qui, L. (2007). "Un Estimador de kernel parcialmente lineal para datos Categorísticos". Manuscrito inédito, Mcmaster University.
- Ichimura, H. (1993). "Plazas mínimas semiparamétricas (SLS) y Estimación de SLS ponderada de Modelos de Índice Único". Journal of Econometrics. 58 (1–2): 71–120. doi:10.1016/0304-4076(93)90114-K.
- Klein, R. W.; R. H. Spady (1993). "Un estimador semiparamétrico eficiente para los modelos de respuesta binaria". Econometrica. 61 2). La Sociedad Econométrica: 387–421. CiteSeerX 10.1.1.318.4925. doi:10.2307/2951556. JSTOR 2951556.
- Hastie, T.; R. Tibshirani (1993). "Varying-Coefficient Models". Journal of the Royal Statistical Society, Series B. 55: 757–796.