PASCAL - Pattern Analysis, Statistical Modelling and Computational Learning

Moindres carrés pondérés récursifs dans les modèles de régression à variance paramétrée
Luc Pronzato and Andrej Pazman
(2004) Technical Report. Luc Pronzato, Sophia Antipolis, France.

Abstract

On compare différentes méthodes d'estimation pour un modèle de régression non linéaire à variance paramétrée: les moindres carrés pondérés (MCP), les moindres carrés pondérés en deux étapes (MCP2), où l'estimateur des moindres carrés obtenu à la première étape sert à calculer la variance utilisée pour une estimation par MCP à la seconde étape, et enfin un estimateur des MCP avec des pondérations déterminées récursivement (MCPR), pour lequel l'estimateur des moindres carrés obtenus à partir de $k$ observations sert à calculer la $k$-ème pondération. Ce dernier peut être mis en oeuvre récursivement quand le modèle de régression est de paramétrisation linéaire (même si ce n'est pas le cas pour la variance des erreurs), et est donc particulièrement intéressant pour les applications faisant intervenir un grand nombre de données.

PDF - Requires Adobe Acrobat Reader or other PDF viewer.
EPrint Type:Monograph (Technical Report)
Project Keyword:Project Keyword UNSPECIFIED
Subjects:Theory & Algorithms
ID Code:63
Deposited By:Luc Pronzato
Deposited On:14 May 2004