J. Álvarez Liébana, M. D. Ruiz Medina
Motivados por el análisis estadístico y predicción de datos de elevada dimensión de naturaleza continua con elevada variación local, en este trabajo se derivan nuevos resultados sobre consistencia fuerte para predictores en espacios de funciones singulares, basados en modelos ARBX(1) (Banach-valued autoregressive processes of order one with exogeneous variables). Nótese que la introducción de variables exógenas funcionales proporciona una mayor flexibilidad en el análisis dinámico de la respuesta. La metodología adoptada se basa en la formulación matricial ARB(1) (Banach-valued autoregressive processes of order one) del modelo ARBX(1), el lema de Kuelbs y la teoría de espacios del núcleo reproductor, en el contexto de estimadores de proyección (ver Ruiz-Medina y Álvarez-Liébana,2017). Los resultados derivados se ilustran en términos de un estudio de simulación y una aplicación con datos reales donde se aborda la predicción funcional de los niveles de contaminación de partículas PM10.
Palabras clave / Keywords: ARB(1) processes, ambient air pollutants PM10, Banach spaces, Besov spaces, exogenous variables, functional time series, reproducing Kernel Hilbert spaces, Sobolev spaces, strongly-consistent functional plug-in predictors, wavelets
Programado
Sesión GT01-1 Análisis de Datos Funcionales: Avances y Aplicaciones (FDA-1). Organizadora: M. Carmen Aguilera Morillo
29 de mayo de 2018 09:10
Sala 1
