@book{Kempe1996,
  author    = {Kempe, Wolfram},
  title     = {Das Arbeitsangebot verheirateter Frauen in den neuen und alten Bundesl{\"a}ndern},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-37719},
  publisher      = {Universit{\"a}t Potsdam},
  year      = {1996},
  abstract  = {In diesem Beitrag wird eine Regressionsanalyse vorgestellt, die die Einfl{\"u}sse auf die Entscheidung verheirateter deutscher Frauen untersucht, eine Erwerbst{\"a}tigkeit aufzunehmen. Um Differenzen im Verhalten von ost- und westdeutschen Frauen zu ermitteln, erfolgte die Untersuchung getrennt in zwei Datens{\"a}tzen. Zur Vermeidung von Annahmen {\"u}ber die Art des Zusammenhanges wurde das Generalisierte Additive Modell (GAM) gew{\"a}hlt, ein semiparametrisches Regressionsmodell. Diese Modellform, die nichtparametrische und parametrische Regressionsmethoden in sich vereint, hat bisher wenig Verbreitung in der Praxis gefunden. Dies lag vor allem am Sch{\"a}tz verfahren, dem Backfitting. Seit etwa einem Jahr gibt es neue Ans{\"a}tze, in dieser Modellform zu sch{\"a}tzen. Die analytischen Eigenschaften des neuen Sch{\"a}tzers lassen sich leichter bestimmen. Mit dieser Sch{\"a}tzung konnten Unterschiede zwischen Ost und West genau herausgearbeitet werden und die funktionalen Zusammenh{\"a}nge zwischen Einflußvariablen und Antwortvariable untersucht werden. Die Analyse brachte deutliche Unterschiede im Erwerbsverhalten zwischen der Frauen beider Landesteile zum Vorschein.},
  language  = {de}
}
@unpublished{BlanchardKraemer2016,
  author    = {Blanchard, Gilles and Kr{\"a}mer, Nicole},
  title     = {Convergence rates of kernel conjugate gradient for random design regression},
  volume    = {5},
  number    = {8},
  publisher = {Universit{\"a}tsverlag Potsdam},
  address   = {Potsdam},
  issn      = {2193-6943},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-94195},
  pages     = {31},
  year      = {2016},
  abstract  = {We prove statistical rates of convergence for kernel-based least squares regression from i.i.d. data using a conjugate gradient algorithm, where regularization against overfitting is obtained by early stopping. This method is related to Kernel Partial Least Squares, a regression method that combines supervised dimensionality reduction with least squares projection. Following the setting introduced in earlier related literature, we study so-called "fast convergence rates" depending on the regularity of the target regression function (measured by a source condition in terms of the kernel integral operator) and on the effective dimensionality of the data mapped into the kernel space. We obtain upper bounds, essentially matching known minimax lower bounds, for the L^2 (prediction) norm as well as for the stronger Hilbert norm, if the true regression function belongs to the reproducing kernel Hilbert space. If the latter assumption is not fulfilled, we obtain similar convergence rates for appropriate norms, provided additional unlabeled data are available.},
  language  = {en}
}