CONICET | Buscador de Institutos y Recursos Humanos

La extensión de las definiciones de correlaciones y variables canónicas al contexto de datos funcionales, es decir, cuando X está en H1 e Y está en H2 con Hi, i = 1; 2, un espacio de Hilbert (tipicamente L2(I)), donde los datos son curvas o funciones, es directa. Sin embargo el método de estimación multivariado que maximiza correlaciones muestrales no se puede extender naturalmente al ámbito de datos funcionales y es necesario utilizar alguna técnica que involucre suavizado como se muestra en Leugrans et al. (1993). Extendemos la demostración sobre este problema para el caso de un funcional de asociación que incluye, entre otros, a correlaciones robustas y a la correlación clásica. Proponemos estimadores robustos de correlaciones y direcciones canónicas basados en un método de Sieves, es decir, buscando maximizadores de correlación (con medidas robustas de correlación) en subespacios de dimensión finita que van creciendo con el tamaño de muestra. Probamos consistencia de estos estimadores bajo ciertas condiciones. Mediante un estudio de Montecarlo, comparamos nuestros estimadores con los estimadores propuestos en He et al.(2004), tanto para los procesos Gaussianos considerados por estos autores, como para procesos en los que se introdujeron contaminaciones. Los estimadores robustos muestran su ventaja por sobre los propuestos por He et al. (2004) ante la presencia de datos atípicos. Aplicamos el estimador propuesto a un ejemplo con datos reales. Referencias[1] Leugrans,S.E., Moyeed, R. A. y Silverman, B.W. (1993), Canonical Correlation Analysis when the data are curves, Journal of the Royal Society, Series B, 55, 725-740.[2] He, G., Muller, H. G. y Wang, J. L. (2004), Methods of canonical analysis for functional data, Journal of Statistical Planning and Inference, 122, 141-159.