Analyse van discreet gesampelde functionele data gebaseerd op robuuste schatting van spreiding.

Het schatten van spreiding is een centraal probleem bij functionele / longitudinale data-analyse, maar de meeste huidige schattingsprocedures gaan ofwel onrealistisch uit van volledig geobserveerde trajecten of missen robuustheid met betrekking tot de vele soorten anomalieën die men kan tegenkomen in de functionele setting. Om deze tekortkomingen te remediëren, introduceren we een familie van resistente dispersieschatters op basis van discreet gesampelde functionele gegevens. De voorgestelde methode combineert M-schatting en regularisatie met de krachtige thin-plate penalty en is geschikt voor zowel algemeen als onafhankelijk waargenomen trajecten die onderhevig zijn aan meetfouten. De doelstellingen van dit project zijn het theoretisch onderzoek van deze familie van schatters, inclusief de voorwaarden voor hun bestaan en asymptotische convergentiesnelheden, de ontwikkeling van een snelle rekenprocedure en de verkenning van talrijke mogelijke toepassingen op het gebied van functionele data-analyse en niet-parametrische regressie.