|
|
Some Robust Approaches to Reducing the Complexity of Economic Data
Kalina, Jan
The recent advent of complex (and potentially big) data in economics requires modern and effective tools for their analysis including tools for reducing the dimensionality (complexity) of the given data. This paper starts with recalling the importance of Big Data in economics and with characterizing the main categories of dimension reduction techniques. While there have already been numerous techniques for dimensionality reduction available, this work is interested in methods that are robust to the presence of outlying measurements (outliers) in the economic data. Particularly, methods based on implicit weighting assigned to individual observations are developed in this paper. As the main contribution, this paper proposes three novel robust methods of dimension reduction. One method is a dimension reduction within a robust regularized linear regression, namely a sparse version of the least weighted squares estimator. The other two methods are robust versions of feature extraction methods popular in econometrics: robust principal component analysis and robust factor analysis.
|
|
|
Some Robust Approaches to Reducing the Complexity of Economic Data
Kalina, Jan
The recent advent of complex (and potentially big) data in economics requires modern and effective tools for their analysis including tools for reducing the dimensionality (complexity) of the given data. This paper starts with recalling the importance of Big Data in economics and with characterizing the main categories of dimension reduction techniques. While there have already been numerous techniques for dimensionality reduction available, this work is interested in methods that are robust to the presence of outlying measurements (outliers) in the economic data. Particularly, methods based on implicit weighting assigned to individual observations are developed in this paper. As the main contribution, this paper proposes three novel robust methods of dimension reduction. One method is a dimension reduction within a robust regularized linear regression, namely a sparse version of the least weighted squares estimator. The other two methods are robust versions of feature extraction methods popular in econometrics: robust principal component analysis and robust factor analysis.
|
|
|
Essays in Empirical Financial Economics
Žigraiová, Diana ; Jakubík, Petr (vedoucí práce) ; Witzany, Jiří (oponent) ; Teplý, Petr (oponent) ; Gächter, Martin (oponent)
Tato disertační práce se skládá ze čtyř esejí, které empiricky zkoumají tři témata ve finanční ekonomii; finanční stres a její vedoucí ukazatele, vztah mezi konkurencí v bankovním sektoru a finanční stabilitou a souvislost mezi složením představenství bank a bankovním rizikem. V první eseji zkoumáme, které proměnné dokáží předpovědět finanční stres v 25 zemích OECD s využitím nedávno vytvořeného indexu finančního stresu. Zjistili jsme, že panelové modely jen obtížně vysvětlují dynamiku FSI. Ačkoli jsou lepší výsledky v modelování jednotlivých zemí, naše zjištění naznačují, že finanční stres je obtížné předpovědět mimo vzorku i přes poměrně dobrou výkonnost modelů v rámci vzorky. Druhý esej sestavuje systém včasného varování pro hodnocení systémových rizik a předpovídání systémových událostí na dvou horizontech různé délky na panelu 14 zemí. Používáme index finančního stresu k určení počátků systémových finančních krizí a ukazatele včasného varování vybíráme ve dvou krocích; identifikujeme relevantní horizonty předpovědí pro každý ukazatel a využíváme Bayesovské modelové průměrování k určení nejužitečnějších prediktorů. Model s dlouhým horizontem se ukázal jako výkonnější pro Českou republiku. Teoretická literatura se neshoduje v názoru, jak míra soutěže mezi bankami ovlivňuje finanční stabilitu. Množství...
|
|
|
A Robustified Metalearning Procedure for Regression Estimators
Kalina, Jan ; Neoral, A.
Metalearning represents a useful methodology for selecting and recommending a suitable algorithm or method for a new dataset exploiting a database of training datasets. While metalearning is potentially beneficial for the analysis of economic data, we must be aware of its instability and sensitivity to outlying measurements (outliers) as well as measurement errors. The aim of this paper is to robustify the metalearning process. First, we prepare some useful theoretical tools exploiting the idea of implicit weighting, inspired by the least weighted squares estimator. These include a robust coefficient of determination, a robust version of mean square error, and a simple rule for outlier detection in linear regression. We perform a metalearning study for recommending the best linear regression estimator for a new dataset (not included in the training database). The prediction of the optimal estimator is learned over a set of 20 real datasets with economic motivation, while the least squares are compared with several (highly) robust estimators. We investigate the effect of variable selection on the metalearning results. If the training as well as validation data are considered after a proper robust variable selection, the metalearning performance is improved remarkably, especially if a robust prediction error is used.
|
|
|
A Robustified Metalearning Procedure for Regression Estimators
Kalina, Jan ; Neoral, A.
Metalearning represents a useful methodology for selecting and recommending a suitable algorithm or method for a new dataset exploiting a database of training datasets. While metalearning is potentially beneficial for the analysis of economic data, we must be aware of its instability and sensitivity to outlying measurements (outliers) as well as measurement errors. The aim of this paper is to robustify the metalearning process. First, we prepare some useful theoretical tools exploiting the idea of implicit weighting, inspired by the least weighted squares estimator. These include a robust coefficient of determination, a robust version of mean square error, and a simple rule for outlier detection in linear regression. We perform a metalearning study for recommending the best linear regression estimator for a new dataset (not included in the training database). The prediction of the optimal estimator is learned over a set of 20 real datasets with economic motivation, while the least squares are compared with several (highly) robust estimators. We investigate the effect of variable selection on the metalearning results. If the training as well as validation data are considered after a proper robust variable selection, the metalearning performance is improved remarkably, especially if a robust prediction error is used.
|
|
|
Essays in Empirical Financial Economics
Žigraiová, Diana ; Jakubík, Petr (vedoucí práce) ; Witzany, Jiří (oponent) ; Teplý, Petr (oponent) ; Gächter, Martin (oponent)
Tato disertační práce se skládá ze čtyř esejí, které empiricky zkoumají tři témata ve finanční ekonomii; finanční stres a její vedoucí ukazatele, vztah mezi konkurencí v bankovním sektoru a finanční stabilitou a souvislost mezi složením představenství bank a bankovním rizikem. V první eseji zkoumáme, které proměnné dokáží předpovědět finanční stres v 25 zemích OECD s využitím nedávno vytvořeného indexu finančního stresu. Zjistili jsme, že panelové modely jen obtížně vysvětlují dynamiku FSI. Ačkoli jsou lepší výsledky v modelování jednotlivých zemí, naše zjištění naznačují, že finanční stres je obtížné předpovědět mimo vzorku i přes poměrně dobrou výkonnost modelů v rámci vzorky. Druhý esej sestavuje systém včasného varování pro hodnocení systémových rizik a předpovídání systémových událostí na dvou horizontech různé délky na panelu 14 zemí. Používáme index finančního stresu k určení počátků systémových finančních krizí a ukazatele včasného varování vybíráme ve dvou krocích; identifikujeme relevantní horizonty předpovědí pro každý ukazatel a využíváme Bayesovské modelové průměrování k určení nejužitečnějších prediktorů. Model s dlouhým horizontem se ukázal jako výkonnější pro Českou republiku. Teoretická literatura se neshoduje v názoru, jak míra soutěže mezi bankami ovlivňuje finanční stabilitu. Množství...
|
|
|
Essays in Empirical Financial Economics
Žigraiová, Diana ; Jakubík, Petr (vedoucí práce) ; Witzany, Jiří (oponent) ; Teplý, Petr (oponent) ; Gächter, Martin (oponent)
Tato disertační práce se skládá ze čtyř esejí, které empiricky zkoumají tři témata ve finanční ekonomii; finanční stres a její vedoucí ukazatele, vztah mezi konkurencí v bankovním sektoru a finanční stabilitou a souvislost mezi složením představenství bank a bankovním rizikem. V první eseji zkoumáme, které proměnné dokáží předpovědět finanční stres v 25 zemích OECD s využitím nedávno vytvořeného indexu finančního stresu. Zjistili jsme, že panelové modely jen obtížně vysvětlují dynamiku FSI. Ačkoli jsou lepší výsledky v modelování jednotlivých zemí, naše zjištění naznačují, že finanční stres je obtížné předpovědět mimo vzorku i přes poměrně dobrou výkonnost modelů v rámci vzorky. Druhý esej sestavuje systém včasného varování pro hodnocení systémových rizik a předpovídání systémových událostí na dvou horizontech různé délky na panelu 14 zemí. Používáme index finančního stresu k určení počátků systémových finančních krizí a ukazatele včasného varování vybíráme ve dvou krocích; identifikujeme relevantní horizonty předpovědí pro každý ukazatel a využíváme Bayesovské modelové průměrování k určení nejužitečnějších prediktorů. Model s dlouhým horizontem se ukázal jako výkonnější pro Českou republiku. Teoretická literatura se neshoduje v názoru, jak míra soutěže mezi bankami ovlivňuje finanční stabilitu. Množství...
|
|
|
Bayesovský výběr proměnných
Jančařík, Joel ; Komárek, Arnošt (vedoucí práce) ; Hlávka, Zdeněk (oponent)
Úloha výběru proměnných je v praxi velmi častý cíl statistické analýzy. Ba- yesovské metody se na tuto úlohu začínají hojně uplatňovat již od 90. let. Cílem této práce je shrnout dosavadní výzkum v této oblasti a zasadit metody pro ba- yesovský výběr proměnných do společného rámce. Věnujeme se převážně výběru proměnných v normálním lineárním modelu, kde prezentujeme metody založené na indikátorech a srážení (z anglického shrinkage). Práce obsahuje teoretický úvod do bayesovské statistiky včetně simulační metody Markov Chain Monte Carlo (MCMC), umožňuje tak získat dobrý teoretický rá- mec pro uváděné metody. Součástí práce je i ukázka odvození všech potřebných podmíněných hustot nutných k implementaci jednotlivých algoritmů. Jednotlivé metody jsou aplikovány na simulovaná data i data reálná, což umožňuje jejich praktické porovnání. 1
|
|
|
Introduction to Feature Selection Toolbox 3 – The C++ Library for Subset Search, Data Modeling and Classification
Somol, Petr ; Vácha, Pavel ; Mikeš, Stanislav ; Hora, Jan ; Pudil, Pavel ; Žid, Pavel
We introduce a new standalone widely applicable software library for feature selection (also known as attribute or variable selection), capable of reducing problem dimensionality to maximize the accuracy of data models, performance of automatic decision rules as well as to reduce data acquisition cost. The library can be exploited by users in research as well as in industry. Less experienced users can experiment with different provided methods and their application to real-life problems, experts can implement their own criteria or search schemes taking advantage of the toolbox framework. In this paper we first provide a concise survey of a variety of existing feature selection approaches. Then we focus on a selected group of methods of good general performance as well as on tools surpassing the limits of existing libraries. We build a feature selection framework around them and design an object-based generic software library. We describe the key design points and properties of the library.
|
host ::
RSS.