|
|
Interval spolehlivosti pro parametr binomického rozdělení
Rusá, Pavla ; Kulich, Michal (vedoucí práce) ; Maciak, Matúš (oponent)
Bakalářská práce se zabývá konstruováním intervalů spolehlivosti pro pa- rametr binomického rozdělení. V první části se zabýváme vztahem mezi tes- továním hypotéz a intervalem spolehlivosti, na kterém jsou metody uvedené v této práci založeny. Další část práce je věnována Clopperově-Pearsonově metodě a jejím možným vylepšením, o které se postupně pokusili Sterne, Crow, Blyth a Still. Za pozornost stojí také grafický přístup Schillinga a Doie. Poté se zabýváme metodami založenými na aproximaci binomického roz- dělení rozdělením normálním, především Wilsonovou a Waldovou metodou. Na konci práce jsou všechny metody porovnány na základě pravděpodobnosti pokrytí. 1
|
|
|
Výběr modelu na základě penalizované věrohodnosti
Chlubnová, Tereza ; Kulich, Michal (vedoucí práce) ; Maciak, Matúš (oponent)
Často zmiňovaným tématem moderní statistiky je výběr proměnných a odhad regresních koeficientů v datech, kde počet proměnných výrazně převyšuje počet pozorování. V současnosti se na řešení tohoto problému používá penalizace maximální věrohodnosti pomocí vhodně zvolené funkce parametru. Dobrá penalizační funkce by měla ohodnotit přínos proměnné a případně zmenšit či vynulovat příslušný regresní koeficient. Pro svou schop- nost vybrat vhodné regresory a zároveň odhadnout parametry v modelu jsou oblíbené penalizační funkce SCAD a LASSO. Práce přináší přehled dosa- vadních výsledků v oblasti vlastností odhadů získaných pomocí těchto dvou funkcí pro malý počet regresorů i pro mnohorozměrná data v normálním lineárním modelu. Jelikož míru penalizace a tedy i výběr správného modelu silně ovlivňuje ladící parametr, zaměříme se také na jeho volbu. Chování LASSO a SCAD penalizací pro různé hodnoty i způsoby volby ladícího pa- rametru ověříme pro různý počet regresorů na nasimulovaných datech.
|
|
|
Local polynomial regression
Cigán, Martin ; Bašta, Milan (vedoucí práce) ; Maciak, Matúš (oponent)
Tato práce se zabývá lokální polynomickou regresí. Lokální polynomická regrese je jedním z neparametrických přístupů k vyrovnávání dat. Tato konkrétní metoda je založena na opakování parametrického vyrovnávání dat metodou vážených nejmenších čtverců za použití modelu polynomu. Cílem práce je proto připomenutí základních vlastností metody vážených nejmenších čtverců v kontextu modelu klasické lineární regrese a navazující zavedení metody nerobustní lokální polynomické regrese. Následně se v práci odvozují některé statistické vlastnosti metody lokální polynomické regrese. Podmíněné vychýlení a podmíněný rozptyl odhadu jsou následně aproximovány pomocí metody Monte Carlo a tyto aproximace jsou porovnány s teoretickým výsledkem. Powered by TCPDF (www.tcpdf.org)
|
|
|
Pearsonův korelační koeficient a jeho využití ve statistice
Németh, Richard ; Omelka, Marek (vedoucí práce) ; Maciak, Matúš (oponent)
Cílem této práce je určení asymptotického rozdělení výběrového korelačního koeficientu bez předpokladu normality a prozkoumat následné d ůsledky tohoto rozdělení na běžně užívané sta- tistické testy nezávislosti a intervaly spolehlivosti pro korelační koeficient. Problém je vyřešen pomocí centrální limitní věty a delta metody. Dokázali jsme, že běžně užívané testy nezávislosti v praxi jsou v asymptotickém smyslu v pořádku i bez předpokladu normálního rozdělení. V práci jsou odvozené další varianty statistických test ů pro nezávislost náhodných veličín a taky další varianty interval ů spolehlivosti pro korelační koeficient bez předpokladu normality. V závěru po- mocí simulací porovnávame jednotlivé statistické testy nezávislosti a intervaly spolehlivosti pro specifická vícerozměrná rozdělení. 1
|
|
|
Flexibility, Robustness and Discontinuities in Nonparametric Regression Approaches
Maciak, Matúš ; Hušková, Marie (vedoucí práce)
Názov práce: Flexibilnost, Robustnost a Nespojitost v Neparametrických Regresních Postupech Autor: Mgr. Matúš Maciak, M.Sc. Pracoviště: Katedra Pravděpodobnosti a Matematické Statistiky, Univerzita Karlova v Praze Supervisor: Prof. RNDr. Marie Hušková, DrSc. huskova@karlin.mff.cuni.cz Abstrakt: V tejto práci sa zameriame na lokálne polynomiálne vyhadovanie neznámej regresnej funkcie, pričom zároveň sa budeme snažiť zapracovať do odhadovacích postupov určitú mieru robustnosti a to špeciálne vzhľadom k odľahlým pozorovaniam a tiež rozdeleniam náhodných chýb, ktoré sa vyznačujú ťažkými chvostami. Zamierame našu pozornosť na tzv. lokálne polynomiálne M-vyhladovače (M-smoothers) a odvodíme ich základné štatistické vlastnosti. Ďalšia zásadná vlastnosť s ktorou budeme pracovať, je nespojitosť, prípadne nehladkosť (teda nespojitosť derivácii) neznámej regresnej funkcie. Zaoberať sa budeme niektorými druhmi modelov, špeciálne modelom s homoskedastickou a heteroskedastickou štruktúrou variability a to pre prípad nezávislých, ako aj závislých pozorovaní. Nespojitosti v modeli budeme riešiť prostredníctvom štatistických testov, pre ktoré navrhneme konkrétne postupy a budeme tiež vyšetrovať ich základné štatistické vlastnosti. Vzhľadom k faktu, že asymptotické rozdelenie testových štatistík, rovnako ako aj odhadov...
|
|
|
Flexibility, Robustness and Discontinuities in Nonparametric Regression Approaches
Maciak, Matúš ; Hušková, Marie (vedoucí práce) ; Hlávka, Zdeněk (oponent) ; Horová, Ivanka (oponent)
Názov práce: Flexibilnost, Robustnost a Nespojitost v Neparametrických Regresních Postupech Autor: Mgr. Matúš Maciak, M.Sc. Pracoviště: Katedra Pravděpodobnosti a Matematické Statistiky, Univerzita Karlova v Praze Supervisor: Prof. RNDr. Marie Hušková, DrSc. huskova@karlin.mff.cuni.cz Abstrakt: V tejto práci sa zameriame na lokálne polynomiálne vyhadovanie neznámej regresnej funkcie, pričom zároveň sa budeme snažiť zapracovať do odhadovacích postupov určitú mieru robustnosti a to špeciálne vzhľadom k odľahlým pozorovaniam a tiež rozdeleniam náhodných chýb, ktoré sa vyznačujú ťažkými chvostami. Zamierame našu pozornosť na tzv. lokálne polynomiálne M-vyhladovače (M-smoothers) a odvodíme ich základné štatistické vlastnosti. Ďalšia zásadná vlastnosť s ktorou budeme pracovať, je nespojitosť, prípadne nehladkosť (teda nespojitosť derivácii) neznámej regresnej funkcie. Zaoberať sa budeme niektorými druhmi modelov, špeciálne modelom s homoskedastickou a heteroskedastickou štruktúrou variability a to pre prípad nezávislých, ako aj závislých pozorovaní. Nespojitosti v modeli budeme riešiť prostredníctvom štatistických testov, pre ktoré navrhneme konkrétne postupy a budeme tiež vyšetrovať ich základné štatistické vlastnosti. Vzhľadom k faktu, že asymptotické rozdelenie testových štatistík, rovnako ako aj odhadov...
|
|
| |
|
| |
|
| |
|
| |
host ::
RSS.