Advertisement

Diskrimination und Klassifikation von Verlaufskurven

  • W. Grossmann
Conference paper
Part of the Medizinische Informatik und Statistik book series (MEDINFO, volume 60)

Zusammenfassung

Für viele Fragestellungen der statistischen Praxis sind Verlaufskurven das einfachste Objekt der Beobachtung. Wir verstehen darunter das folgende Modell
$$ {\text{Y(t) = f(t) + Z(t) a}} \leqslant {\text{t}} \leqslant {\text{b}} $$
(1.1)
Dabei ist Y(t) der Prozeß, der zu bestimmten Zeitpunkten t1…,tn beobachtet wird, f(t) ist eine unbekannte Regressionsfunktion, die den Verlauf des interessierenden Phänomens beschreibt und Z(t) ist ein stochastischer Störprozeß, dessen Mittelwertsfunktion E(Z(t)) konstant O ist.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Agarwal, G. G. und Studden, W. J. (1980) Asymptotic Integrated Mean Square Error Using Least Squares and Bias Minimizing Splines. Ann. Statist. 8, 1307–1325.MathSciNetMATHCrossRefGoogle Scholar
  2. Azen, S. P. und Afifi, A. A. (1972) Asymptotic and Small Sample Behavior of Estimated Bayes Rules for Classifying Time-Dependent Observations. Biometrics 28, 989–998.MathSciNetCrossRefGoogle Scholar
  3. de Boor, C. (1978) A Practical Guide to Splines. Springer, New York.MATHCrossRefGoogle Scholar
  4. Borowiak, D. (1983) A Multiple Model Discrimination Procedure. Commun. Statist.-Theor. Meth. 12, 2911–2921.MathSciNetMATHCrossRefGoogle Scholar
  5. Breiman, L., Friedman, J. H., Ohlsen, R. A., Stone, C. J. (1984) Classification and Regression Trees. Wadsworth Int., Belmont, Calif.MATHGoogle Scholar
  6. Browdy, B. L. und Chang, P. C. (1982) Bayes Procedures for the Classification of Multiple Polynomial Trends With Dependent Residuals. J. Amer. Statist. Ass. 77, 483–487.MATHCrossRefGoogle Scholar
  7. Craven, P. und Wahba, C. (1979) Smoothing Noisy Data with Spline Functions. Numer. Math. 31, 377–403.MathSciNetMATHCrossRefGoogle Scholar
  8. Eubank, R. L. (1984) Approximate Regression Models and Splines. Commun. Statist. - Theor. Meth. 13, 433–484.MathSciNetMATHCrossRefGoogle Scholar
  9. Hand, D. J. (1981) Discrimination and Classification. J. Wiley, New York.MATHGoogle Scholar
  10. Humak, K. M. S. (1983) Statistische Methoden der Modellbildung. Akademieverlag, Berlin.MATHGoogle Scholar
  11. Kitagawa,G. (1984) State Space Modelling of Nonstationary Time Series and Smoothing of Unequally Spaced Data. In: Time Series Analysis of Irregularly Observed Data, p. 189–209.Google Scholar
  12. Springer Lect. Notes Statist. 25.Google Scholar
  13. Reinsch, C. H. (1967) Smoothing by Spline Functions. Numer. Math. 10, 177–183.MathSciNetMATHCrossRefGoogle Scholar
  14. Wecker, W. E. und Ansley, C. F. (1983) The Signal Extraction Approach to Nonlinear Regression and Spline Smoothing. J. Amer. Statist. Ass. 78, 81–89.MathSciNetMATHCrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1985

Authors and Affiliations

  • W. Grossmann

There are no affiliations available

Personalised recommendations