|
|
Modelování extrémních hodnot
Shykhmanter, Dmytro ; Malá, Ivana (vedoucí práce) ; Luknár, Ivan (oponent)
Modelování extrémních hodnot je komplikována záležitost. V první řade, extrémní události jsou ze své podstaty vzácné jevy, a tudíž nebývá k dispozici dostatek pozorování, na kterých by se dal model založit. Další komplikace spočívá v tom, že výsledky modelu lze jen těžko validovat, protože odhadované hodnoty extrémních událostí často leží mimo rozsah historických pozorování. Běžně používaný způsob odhadu hodnot kvantilů na konci rozdělení se provádí pomocí extrapolace z nějakého teoretického rozdělení odhadnutého na základě výběru. Logický nedostatek tohoto přístupu spočívá v tom, že odhad extrémních hodnot je založen převážně na obvykle se vyskytujících. Alternativní přistup představený v této práci, se zakládá na následující myšlence. Vzhledem ke svému odlišnému chování, lze předpokládat, že extrémní hodnoty pochází z nějaké subpopulace výběrového souboru a tedy celkové rozdělení se skládá ze dvou částí. Tento přistup je aplikován na modelování škod z neživotního pojištění, kde odhad výše extrémně velkých škod je obzvlášť důležitý. Ačkoliv oba zmíněné způsoby dávají výrazně jiné výsledky, volba vyhovujícího modelu není jednoznačná. V obou případech interval spolehlivosti odhadu 99.5% percentilu je natolik široký, že jeho vypovídací schopnost je velmi nejistá. Na druhou stanu, tento pohled na věc je teoreticky i logicky opodstatněn a jde tedy o legitimní způsob analýzy extrémních hodnot.
|
|
|
Klasický a bayesovský odhad
Shykhmanter, Dmytro ; Vilikus, Ondřej (vedoucí práce) ; Hebák, Petr (oponent)
Práce poskytuje teoretické i praktické srovnání Bayesovských a klasických metod odhadu. Porovnání obou metod začíná už při zkoumání filozofických základů pravděpodobnosti. Přiblížen je také problém determinismu a popisuje různá pojetí pravděpodobnosti. Odhad je způsob, jak činit induktivní úsudky. Klasická statistika pro tento účel používá výběr z populace jako jedinou informaci pro formulaci obecných úsudků. Bayesovské metody jsou založeny na myšlence, že data nemusí být jediným podkladem k rozhodování, ale že může být vhodné přihlížet i k dalším relevantním zdrojům informací. Proč bychom měli zanedbávat zkušenosti, znalosti nebo dokonce naši intuici? Často se setkáváme se situací, že statistická analýza poskytuje výsledky, které jsou v rozporu s našimi očekáváními, nejsou proto úplně použitelné. Tato situace je ilustrována na příkladu hodnocení ski areálů na pětihvězdičkové škále. Pohledem na žebříček deseti nejlepších ski areálů, které jsou seřazeny podle průměrného pořadí, můžeme zjistit, že některé z nich jsou tam "nezaslouženě", ačkoli data tvrdí něco jiného. V podobných situacích často vidíme, že první místa obsazují jednotky s malým počtem hodnocení na úkor těch, které mají recenzí více. Napravit tuto nežádoucí skutečnost umožňuje právě konstrukce bayesovského odhadu, který ba základě apriorní informace "spravedlivě" ohodnotí vybranou jednotku a zařadí jí tedy do žebříčku "lépe".
|
host ::
RSS.