A new spatial regression estimator in the multivariate context

Sophie Dabo-Niang 1 Anne-Françoise Yao 2 Camille Ternynck 3
1 MODAL - MOdel for Data Analysis and Learning
Inria Lille - Nord Europe, LPP - Laboratoire Paul Painlevé - UMR 8524, CERIM - Santé publique : épidémiologie et qualité des soins-EA 2694, Polytech Lille, Université de Lille 1, IUT’A
2 Equipe Probabilités, Analyse et Statistique
LMBP - Laboratoire de Mathématiques Blaise Pascal
Abstract : In this note, we propose a nonparametric spatial estimator of the regression function View the MathML sourcex→r(x):=E[Yi|Xi=x],x∈Rd, of a stationary (d+1)(d+1)-dimensional spatial process View the MathML source{(Yi,Xi),i∈ZN}, at a point located at some station j. The proposed estimator depends on two kernels in order to control both the distance between observations and the spatial locations. Almost complete convergence and consistency in LqLq norm (q∈N⁎)(q∈N⁎) of the kernel estimate are obtained when the sample considered is an α-mixing sequence.
Type de document :
Article dans une revue
Comptes rendus de l'Académie des sciences. Série I, Mathématique, Elsevier, 2015, 353 (7), pp.635 - 639. 〈10.1016/j.crma.2015.04.004〉
Liste complète des métadonnées

https://hal.inria.fr/hal-01206781
Contributeur : Sophie Dabo-Niang <>
Soumis le : mardi 29 septembre 2015 - 15:55:39
Dernière modification le : mardi 3 juillet 2018 - 11:29:37

Identifiants

Citation

Sophie Dabo-Niang, Anne-Françoise Yao, Camille Ternynck. A new spatial regression estimator in the multivariate context. Comptes rendus de l'Académie des sciences. Série I, Mathématique, Elsevier, 2015, 353 (7), pp.635 - 639. 〈10.1016/j.crma.2015.04.004〉. 〈hal-01206781〉

Partager

Métriques

Consultations de la notice

221