This Note deals with a study of the functional linear model when the covariate is noisy. We smooth each noisy curve using a kernel smoothing method, and then a functional principal component regression is done. We present the estimation procedure of the functional coefficient of the model, as well as a convergence result of the estimator.
Cette Note a pour objet une étude du modèle linéaire fonctionnel lorsque la variable explicative est bruitée. Pour chaque courbe explicative bruitée, on utilise une méthode de lissage à noyau, puis on effectue une régression fonctionnelle sur composantes principales. On présente la procédure d'estimation du coefficient fonctionnel du modèle, ainsi qu'un résultat de convergence de l'estimateur construit.
Accepted:
Published online:
Christophe Crambes 1
@article{CRMATH_2007__345_9_519_0, author = {Christophe Crambes}, title = {R\'egression fonctionnelle sur composantes principales pour variable explicative bruit\'ee}, journal = {Comptes Rendus. Math\'ematique}, pages = {519--522}, publisher = {Elsevier}, volume = {345}, number = {9}, year = {2007}, doi = {10.1016/j.crma.2007.10.015}, language = {fr}, }
Christophe Crambes. Régression fonctionnelle sur composantes principales pour variable explicative bruitée. Comptes Rendus. Mathématique, Volume 345 (2007) no. 9, pp. 519-522. doi : 10.1016/j.crma.2007.10.015. https://comptes-rendus.academie-sciences.fr/mathematique/articles/10.1016/j.crma.2007.10.015/
[1] M. Benko, W. Härdle, A. Kneip, Common functional principal components, SFB 649 Economic Risk Discussion Paper, 2006-010, 2005
[2] Smoothing splines estimators in functional linear regression with errors-in-variables, Computational Statistics and Data Analysis, Volume 51 (2007), pp. 4832-4848
[3] Functional linear model, Statistic and Probability Letters, Volume 45 (1999), pp. 11-22
[4] Smoothing Techniques with Implementation in S, Springer, New York, 1991
[5] Inference for density families using functional principal component analysis, Journal of the American Statistical Association, Volume 96 (2001), pp. 519-542
[6] Functional Data Analysis, Springer, New York, 2005
Cited by Sources:
Comments - Policy