Nadaraya-Watson çekirdek kestiricilerinin yarı parametrik model tahminindeki performansı üzerine bir benzetim çalışması

Yıl 2009, Cilt: 2 Sayı: 2, 28 - 36, 01.06.2009

Ö. Akkuş S. Demir H. Tatlıdil

Öz

Anahtar Kelimeler

-

Nadaraya-Watson çekirdek kestiricilerinin yarı parametrik model tahminindeki performansı üzerine bir benzetim çalışması

Öz

Bu çalışmada yarı parametrik model tahmini üzerine yoğunlaşılmıştır. Tahmin süreci üç aşamadan oluşmaktadır. İlk aşamada parametreler belirli yarı parametrik tahmin edicilere göre elde edilmekte, ikinci aşamada * ˆ xT doğrusal indeks değerleri hesaplanmakta ve son aşamada bağımlı değişken Y’nin * ˆ xT üzerine parametrik olmayan regresyonu uygulanarak gözlemlerin bağımlı değişkende “1” olarak kodlanan düzeye ait olma olasılıkları tahmin edilmektedir. Literatürde yer alan sınırlı sayıdaki çalışmada bu aşama için klasik Nadaraya-Watson (NW) tahmin edicisinin kullanıldığı görülmüştür. Burada, klasik NW tahmin edicisine alternatif olabilecek uyarlanabilir NW tahmin edicisinin yarı parametrik model tahminindeki kullanımı ve bazı istatistiksel kriterlere göre performansı yapılan bir benzetim çalışması ile araştırılmıştır.

Anahtar Kelimeler

Uyarlanabilir Nadaraya Watson çekirdek kestiricisi, Yarı parametrik yaklaşım, Klein ve Spady tahmin edicisi, İki düzeyli bağımlı değişken modeli

Kaynakça

• Ö. Akku , (2008), Tek 'ndeks Modellerinde Yar Parametrik Yakla mlar, Bas lmam Doktora Tezi, Hacettepe Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 98s.
• S. Demir, (2005), Regresyon Fonksiyonlar n n Uyarlanabilir Nadaraya-Watson Çekirdek Kestirimleri, Bas lmam Doktora Tezi, Hacettepe Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 101s. V.K. Epanechnikov, (1969), Non-parametric Estimation of a Multivariate Probability Density, Theory of Probability and its Applications, 14, 153-158. M. Gerfin, (1996), Parametric and Semiparametric Estimation of the Binary Response Model of Labour Market Participation, Journal of Applied Econometrics, 11, 321-339.
• W. Hardle, M. Müller, S. Sperlich, A. Werwatz, (2004), Nonparametric and Semiparametric Models, Springer-Verlag, New York., 299p. M.L. Hazelton, (2007), Bias Reduction in Kernel Binary Regression, Computational Statistics and Data Analysis, 51, 4393-4402. J.M. Hilbe, (2006), A Review of LIMDEP 9.0 and NLogit 4.0, The American Statistician, 60, 187-202. J.L. Horowitz, (1998), Semiparametric Methods in Econometrics, Springer-Verlag, New York, 204p. [8]
• W. Klein, R.H. Spady, (1993), An Efficient Semiparametric Estimator for Binary Response Models, Econometrica, 61, 387-421.
• E.A. Nadaraya, (1964), On Estimating Regression, Theory of Probability and Its Applications, 10, 186-190.
• I. Proença, S. Silva, 2001, Parametric and Semiparametric Specification Tests for Binary Choice Models: A Comparative Simulation Study, Econometrics, Econ WPA, No: 0508008.
• M. Rosenblatt, (1956), Remarks on some nonparametric estimates of a density function. Annals Math. Statistics, 27, 832-837.
• S.R. Sain, (1994), Adaptive Kernel Density Estimation. Ph.D. Dissertation, Department of Statistics, Rice University.
• S.R. Sain, D.W. Scott, (1996), On Locally Adaptive Density Estimation, Journal of the American Statistical Association, 91, 1525-1534.
• B.W. Silverman (1986), Density Estimation for Statistics and Data Analysis, London: Chapman and Hall.
• G. S. Watson, (1964), Smooth Regression Analysis, Sankhya, Series A, 26, 359-72.