Empirical and Kernel Estimation of the ROC Curve

• Authors: Aleksandra Katarzyna Baszczyńska

Title variants

EMPIRYCZNY I JĄDROWY ESTYMATOR KRZYWEJ ROC

• Languages of publication: EN

Abstracts

EN

The paper presents chosen methods for estimating the ROC (Receiver Operating Characteristic) curve, including parametric and nonparametric procedures. Nonparametric  approach may involve the use of empirical method or kernel method of the ROC curve estimation. In the analysis, an attempt of comparison of empirical and kernel ROC estimators is done, considering the impact of sample size, choice of smoothing parameter and kernel function in kernel estimation on the results of the estimation. Based on the results of simulation studies, some suggestions, useful in the procedures of nonparametric ROC curve are determined.

PL

W pracy rozważane są wybrane metody estymacji krzywej ROC (Receiver Operating Characteristic), w tym metody parametryczne i nieparametryczne. Podejście nieparametryczne może oznaczać zastosowanie empirycznego estymatora krzywej ROC lub  estymatora jądrowego. Podjęta jest próba porównania estymacji empirycznej oraz jądrowej ze szczególnym uwzględnieniem wpływu liczebności próby, jak również metody wyboru parametru wygładzania i funkcji jądra na rezultat procedury estymacyjnej. W oparciu o wyniki badania symulacyjnego określone są wskazówki użyteczne w procedurach estymacji krzywej ROC.

Keywords

EN

ROC curve; empirical estimator; kernel method; smoothing parameter; kernel function

PL

krzywa ROC curve; empiryczny estymator; metoda jądrowa; parametr wygładzania; funkcja jądra; krzywa ROC curve; empiryczny estymator; metoda jądrowa; parametr wygładzania; funkcja jądra

• Publisher: Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
• Journal: Acta Universitatis Lodziensis. Folia Oeconomica
• Year: 2015
• Volume: 1
• Issue: 311

Dates

published

2016-01-07

Contributors

author

Aleksandra Katarzyna Baszczyńska

• University of Łódź

References

• Chrzanowski M. (2014), Weighted Empirical Likelihood Inference for the Area under the ROC Curve, Journal of Statistical Planning and Inference, 147, 159-172.
• Domański C., Pekasiewicz D., Baszczyńska A., Witaszczyk A. (2014), Testy statystyczne w procesie podejmowania decyzji, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
• Fawcett T. (2006), An Introduction to ROC Analysis, Pattern Recognition Letters, 27, 861-874.
• Harańczyk G. (2010), Krzywe ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia, Statsoft Polska, www.statsoft.pl/czytelnia.html.
• Horová I., Koláček J., Zelinka J. (2012), Kernel Smoothing in Matlab. Theory and Practice of Kernel Smoothing, World Scientific, New Jersey.
• Krzanowski W., Hand D. (2009), ROC Curves for Continuous Data, CRC Press.
• Krzyśko M., Wołyński W., Górecki T., Skorzybut M. (2008), Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Lloyd C. (2002), Estimation of a Convex ROC Curves, Statistics and Probability Letters, 59, 1, 99-111.
• Marron J., Wand M. (1992), Exact Mean Integrated Squared Error, The Annals of Statistics, 20, 2, 712-736.
• Misztal M. (2014), On the Selected Methods for Evaluating Classification Models, Acta Universitatis Lodziensis Folia Oeconomica , 3 (302), 161-173.
• Ruzgas T., Drulyrè I. (2013), Kernel Density Estimation for Gaussian Mixture Models, Lithuanian Journal of Statistics, 52, 1, 14-21.

Identifiers

DOI

10.18778/0208-6018.311.06