|
|
Selected random variables transformations used in classical linear regression
Tejkal, Martin ; Michálek, Jaroslav (referee) ; Hübnerová, Zuzana (advisor)
Klasická lineární regrese a z ní odvozené testy hypotéz jsou založeny na předpokladu normálního rozdělení a shodnosti rozptylu závislých proměnných. V případě že jsou předpoklady normality porušeny, obvykle se užívá transformací závisle proměnných. První část této práce se zabývá transformacemi stabilizujícími rozptyl. Značná pozornost je udělena náhodným veličinám s Poissonovým a negativně binomickým rozdělením, pro které jsou studovány zobecněné transformace stabilizující rozptyl obsahující parametry v argumentu navíc. Pro tyto parametry jsou stanoveny jejich optimální hodnoty. Cílem druhé části práce je provést srovnání transformací uvedených v první části a dalších často užívaných transformací. Srovnání je provedeno v rámci analýzy rozptylu testováním hypotézy shodnosti středních hodnot p nezávislých náhodných výběrů s pomocí F testu. V této části jsou nejprve studovány vlastnosti F testu za předpokladu shodných a neshodných rozptylů napříč výběry. Následně je provedeno srovnání silofunkcí F testu aplikovaného pro p výběrů z Poissonova rozdělení transformovanými odmocninovou, logaritmickou a Yeo Johnsnovou transformací a z negativně binomického rozdělení transformovaného argumentem hyperbolického sinu, logaritmickou a Yeo-Johnsnovou transformací.
|
|
|
Variance stabilizing transformations
Kuželová, Noemi ; Omelka, Marek (advisor) ; Komárek, Arnošt (referee)
Abstract. We often examine data whose sample mean converges to a normal distribution, but the variance generally depends on an unknown parameter. To get rid of this dependence, we can sometimes use the so-called variance-stabilizing transformation method. Firstly, this thesis explains the method in detail and finds a general procedure to find suitable transformations. Then it will focus on data from Poisson and binomial distributions with unknown parameters. For these data, it finds transformations that stabilize (asymptotic) variance, and compares them with the "improved"transforms from the article Anscombe (1948). Most of the thesis is devoted to the shape of these transformations. Finally, we show in the Poisson distribution simulation that it is really appropriate to use this method and compare the derived transformation with its Anscombe version.
|
|
|
Selected random variables transformations used in classical linear regression
Tejkal, Martin ; Michálek, Jaroslav (referee) ; Hübnerová, Zuzana (advisor)
Klasická lineární regrese a z ní odvozené testy hypotéz jsou založeny na předpokladu normálního rozdělení a shodnosti rozptylu závislých proměnných. V případě že jsou předpoklady normality porušeny, obvykle se užívá transformací závisle proměnných. První část této práce se zabývá transformacemi stabilizujícími rozptyl. Značná pozornost je udělena náhodným veličinám s Poissonovým a negativně binomickým rozdělením, pro které jsou studovány zobecněné transformace stabilizující rozptyl obsahující parametry v argumentu navíc. Pro tyto parametry jsou stanoveny jejich optimální hodnoty. Cílem druhé části práce je provést srovnání transformací uvedených v první části a dalších často užívaných transformací. Srovnání je provedeno v rámci analýzy rozptylu testováním hypotézy shodnosti středních hodnot p nezávislých náhodných výběrů s pomocí F testu. V této části jsou nejprve studovány vlastnosti F testu za předpokladu shodných a neshodných rozptylů napříč výběry. Následně je provedeno srovnání silofunkcí F testu aplikovaného pro p výběrů z Poissonova rozdělení transformovanými odmocninovou, logaritmickou a Yeo Johnsnovou transformací a z negativně binomického rozdělení transformovaného argumentem hyperbolického sinu, logaritmickou a Yeo-Johnsnovou transformací.
|
guest ::
