Refine
Year of publication
- 2012 (1)
Document Type
- Doctoral Thesis (1)
Language
- German (1)
Has Fulltext
- yes (1)
Is part of the Bibliography
- no (1)
Keywords
- L1-Regression (1)
- Robuste Statistik (1)
- Sprungbestrafte Schätzer (1)
Institute
Jump penalized L1-Regression
(2012)
Die vorgelegte Arbeit beschäftigt sich mit Kurvenschätzung in einem Regressionsmodell für eindimensionale verrauschte Daten, welche die Ausreißer enthalten können. Dabei ist die Regression Funktion, also Funktion welche a priori unbekannt ist und welche geschätzt werden soll, eine beliebige absolut-integrierbare Funktion auf dem Intervall [0, 1) und Regression Schätzer eine Stückweise-konstante Funktion auf dem Intervall [0, 1). Die von uns betrachtende Schätzer sind stückweise-konstante Funktionen, welche die L1-Version den sogenannten Potts Funktional minimieren (s. [8]). Das L1 Potts Funktional ist so gewählt, dass einerseits die Komplexität des Schätzers in Form der Anzahl ihrer Sprünge beachtet wird und anderseits die absolute Abweichungen von den Daten betrachtet werden. Die Stufen des Minimierers vom L1 Potts Funktional entsprechen den lokalen Medianen von verrauschten Daten, im Gegensatz dazu entsprechen die Stufen des Minimierers von dem klassischen Potts Funktional (L2-Fall) den lokalen Mittelwerten von den Daten. Der Vorteil der L1-Version gegenüber L2-Version des Potts Funktionals kann dadurch erklärt werden, dass die Mediane bekannterweise viel robuster gegen Ausreißer als Mittelwerte sind. In der vorgelegten Arbeit wurden die asymptotischen Eigenschaften sowohl von der L1 Potts Funktionals als auch von seinen Minimierer studiert. Unter anderem, es konnte die Konsistenz des Schätzers für den Fall, dass die Originalfunktion f selbst eine Stufenfunktion ist, gezeigt werden. Dies stellt das Hauptergebnis der Arbeit dar. Konsistenz heißt hier, dass unter bestimmten Bedingungen die Minimierer vom L1 Potts Funktional gegen die Originalfunktion f konvergieren.