Key points are not available for this paper at this time.
반파라메트릭 회귀 모델은 파라메트릭 및 비파라메트릭 방법을 결합하여 데이터 분석의 다양한 연구를 위한 고급 주제 중 하나로 좋은 능력과 높은 효율성을 찾을 수 있도록 최근 연구자들로부터 많은 주목을 받았습니다. 가장 중요한 반파라메트릭 회귀 모델 중 하나는 파라메트릭 구성 요소와 비파라메트릭 구성 요소로 구성된 부분 선형 회귀 모델(PLM)이며, 파라메트릭 구성 요소를 추정하기 위해 차이 방법을 사용하여 비파라메트릭 구성 요소를 제거할 것입니다. 파라메트릭 구성 요소의 분석 가정이 충족되지 않으면 여러 가지 문제를 겪게 되며, 그 중 가장 중요한 문제는 완전 다중 공선성 문제입니다. 다중 공선성 외에도 데이터에는 이상치가 존재합니다. 이 연구에서는 반파라메트릭 회귀 모델의 다중 공선성과 이상치 문제를 다루었으며, 다양한 샘플 크기와 서로 다른 상관관계 및 이상치 비율을 가진 데이터를 생성하기 위해 시뮬레이션을 사용했습니다. 차이 능선 기반 M 강건 방법(Nadaraya - Watson (DRMNW)), 차이 능선 기반 S 강건 방법(Nadaraya - Watson (DRSNW)), 차이 능선 기반 M 강건 방법(스무딩 스플라인 (DRMSP)), 차이 능선 기반 S 강건 방법(스무딩 스플라인 (DRSSP))과 같은 다양한 방법이 사용되었습니다. 결과는 차이 능선 기반 S 강건 방법(스무딩 스플라인 (DRSSP))이 최상의 추정기임을 보여주었습니다. 논문 유형: 연구 논문.
Saed et al. (Tue,)은 이 질문을 연구했습니다.