Tesis
Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
Fecha
2017-03-27Registro en:
MENDES, Felipe Franco. Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada. 2016. ii, 82 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2016.
Autor
Mendes, Felipe Franco
Institución
Resumen
Os modelos da Regressão Geograficamente Ponderada são muito sensíveis à escolha do parâmetro de suavização. E essa escolha é tradicionalmente feita através do algoritmo Otimização por Seção Áurea, ou do inglês Golden Section Search. Esse algoritmo é aplicado com uma função que quantifica a eficiência do modelo, procurando, portanto, o parâmetro ótimo que resulta no melhor modelo. Neste trabalho, estudou-se o comportamento da função de validação cruzada e verificou-se que ela não é estritamente convexa, o que faz com que o algoritmo Otimização por Seção Áurea possa convergir para mínimos locais. Três algoritmos foram propostos para encontrar o parâmetro de suavização ótimo, sendo eles o algoritmo Relâmpago, o algoritmo Harmônico e uma adaptação do algoritmo Otimização por Seção Áurea. Além disso, foram feitas comparações entre os algoritmos, e fora apresentado a influência da escolha do parâmetro de suavização nos modelos da Regressão Geograficamente Ponderada. Constatou-se que o algoritmo Otimização por Seção Áurea não é o mais adequado nesta situação, pois em mais de um exemplo ele resultou em um parâmetro muito distante do parâmetro de suavização ótimo. Também verificou-se que os modelos com o parâmetro de suavização encontrado incorretamente possuem estimadores com significância muito diferente em relação aos modelos com o parâmetro ótimo. Outro ponto observado foi o tempo demasiado grande que os algoritmos Relâmpago e Harmônico gastam no processamento para encontrar o parâmetro ótimo.