|
|
Errors-in-variables models
Fürjesová, Ida ; Pešta, Michal (vedoucí práce) ; Anděl, Jiří (oponent)
Táto bakalárska práca analyzuje model errors-in-variables. Porovnáva metódy odhadovania parametrov modelu, metódu najmenších štvorcov a metódu úplne najmenších štvorcov. Hlavný rozdiel metód spočíva v prístupe ku chybám v meraniach. Prvá časť práce sa zameriava na porovnávanie metód z teoretického hľadiska. Definuje základné pojmy a graficky znázorňuje rozdiely v metódach. Práca rozoberá aj algebraické princípy riešení metód odhadovania parametrov. Záver teoretickej časti obsahuje analýzu štatistických vlastností odhadov. Prostredníctvom simulácie dát je porovnaná metóda najmenších štvorcov a metóda úplne najmenších štvorcov podľa veľkosti strednej kvadratickej odchýlky.
|
|
|
Least Squares Alternatives
Gerthofer, Michal ; Pešta, Michal (vedoucí práce) ; Kulich, Michal (oponent)
V přiložené práci se věnujeme lineárním regresním modelům založeným na metodě nejmen- ších čtverců. Ty jsou rozebrány ve dvou skupinách. První se zaměřuje na tři základní postupy rozdělené podle výskytu chyb v proměnných. Tradičním způsobem zabývajícím se chybou jen na straně závislé proměnné je základní metoda nejmenších čtverců (OLS). Opačným případem je metoda datově nejmenších čtverců (DLS), která připouští chyby jen ve vysvětlujících proměn- ných. Následně se soustředíme na ortogonální regresi (TLS) minimalizující čtverce chyb obou proměnných. Nakonec upřeme pozornost na další skupinu metod s vysokým bodem selhání. Tyto metody se věnují významnosti jednotlivých pozorování (metoda nejmenších vážených čtverců) a eliminaci odlehlých pozorování (metoda useknutých nejmenších čtverců). Hlavním cílem práce je popsat a porovnat tyto modely, jejich předpoklady, charakteristiky a vlastnosti odhadů a de- monstrovat je na reálných datech. 1
|
|
|
Modern Asymptotic Perspectives on Errors-in-variables Modeling
Pešta, Michal
Univerzita Karlova v Praze Matematicko-fyzikální fakulta ABSTRAKT DISERTAČNÍ PRÁCE Michal Pešta MODERNÍ ASYMPTOTICKÉ PERSPEKTIVY PRO MODELOV ÁNÍ CHYB V POZOROV ÁNÍCH Uvažujeme lineární regresní model, kde kovariáty a odezva jsou měřeny s chybou. Pro takzvaný mo- del s chybami v měřeních (EIV) jsou navrženy vhodné struktury chyb, přědvedeny jsou různé techniky odhadování neznámých parametrů a zhrnuty jsou aktuální algebraické a statistické výsledky. Vynalezli jsme zobecnění odhadu založeného na úplně nejmenších čtvercích (TLS) v EIV modelu, tzv. EIV odhad. Odvozeny jsou jeho invariance (vzhledem k měřítku) a ekvivariance (vzhledem k rotaci kovariát, ke změne orientaci kovariát a k záměně kovariát). Navíc jsme ukázali, že EIV odhad je unitárně invariantní řešení EIV optimalizačního problému. Demonstrujeme, že asymptotická normalita EIV odhadu je z výpočetního hlediska nevhodná pro kon- strukci intervalu spolehlivosti nebo pro testování hypotéz. Je zkonstruována správná bootstrapová pro- cedura, aby překonala takový problém. Je dokázána její validita. Simulační studie a příklad s reálnýma daty potvrzují její vhodnost. Předpokládáme, že chyby tvoří slabý nebo stejnoměrně slabý mixing a tedy už nejsou...
|
|
|
Úplně nejmenší čtverce a jejich asymptotické vlastnosti
Chuchel, Karel ; Pešta, Michal (vedoucí práce) ; Antoch, Jaromír (oponent)
Tato práce se zabývá metodou úplně nejmenších čtverc·, která slouží pro odhad parametr· v lineárních modelech. V práci je uveden základní popis metody a její asymptotické vlastnosti. Je vysvětleno, jakým zp·sobem lze v konceptu metody využít neparametrický bootstrap pro hledání odhadu. Vlastnosti bootstrap od- had· jsou pak simulovány na pseudo náhodně vygenerovaných datech. Simulace jsou prováděny pro dvourozměrný parametr v r·zných nastaveních základního modelu. Jednotlivé bootstrap odhady jsou v rovině řazeny pomocí Mahalanobis a Tukey statistical depth function. Simulace potvrzují, že bootstrap odhad dává dostatečně dobré výsledky, aby se dal využít pro reálné situace.
|
|
|
Structural Equation Models with Application in Social Sciences
Veselý, Václav ; Pešta, Michal (vedoucí práce) ; Maciak, Matúš (oponent)
Zkoumáme možnosti využití Errors-in-Variables odhadu (EIV) při odhadování modelů strukturních rovnic (SEM). Modely strukturních rovnic poskytují rámec pro analyzování komplexních vztahů ve skupině náhodných proměnných, kde na- příklad odezva v jedné rovnici je zároveň prediktorem v jiné rovnici. Nejdříve uvádíme přehled standardních na kovarianci založených technik odhadu parame- trů. Zkoumáme speciální případ lineární regrese a ukazujeme, že na kovarianci založené techniky odhadu dávají stejné výsledky jako obyčejné nejmenší čtverce. Následuje kompaktní přehled EIV modelů, Errors-in-Variables modely jsou regresní modely, kde uvažujeme chyby měření nejen v odezvě, ale i v regreso- rech. Hlavní příspěvek této práce spočívá v definování modifikací EIV odhadu pro kontext modelu strukturních rovnic. Definujeme obecný optimalizační pro- blém pro odhad parametrů SEM modelu. Navrhujeme také několik modifikací dvoustupňových nejmenších čtverců, vhodných k dalšímu zkoumání. Zavádíme odhad parametrů SEM modelu pomocí metody Errors-in-Variables pro jednotlivé rovnice. Koeficienty každé strukturní rovnice odhadneme zvlášť pomocí EIV odhadu. Definujeme teoretické podmínky, za kterých je tato metoda konzistentní. Ale praktická aplikace se zdá poměrně limitovaná kvůli problémům se splněním zmíněných podmínek. Jako...
|
|
|
Least Squares Alternatives
Gerthofer, Michal ; Pešta, Michal (vedoucí práce) ; Kulich, Michal (oponent)
V přiložené práci se věnujeme lineárním regresním modelům založeným na metodě nejmen- ších čtverců. Ty jsou rozebrány ve dvou skupinách. První se zaměřuje na tři základní postupy rozdělené podle výskytu chyb v proměnných. Tradičním způsobem zabývajícím se chybou jen na straně závislé proměnné je základní metoda nejmenších čtverců (OLS). Opačným případem je metoda datově nejmenších čtverců (DLS), která připouští chyby jen ve vysvětlujících proměn- ných. Následně se soustředíme na ortogonální regresi (TLS) minimalizující čtverce chyb obou proměnných. Nakonec upřeme pozornost na další skupinu metod s vysokým bodem selhání. Tyto metody se věnují významnosti jednotlivých pozorování (metoda nejmenších vážených čtverců) a eliminaci odlehlých pozorování (metoda useknutých nejmenších čtverců). Hlavním cílem práce je popsat a porovnat tyto modely, jejich předpoklady, charakteristiky a vlastnosti odhadů a de- monstrovat je na reálných datech. 1
|
|
|
Errors-in-variables models
Fürjesová, Ida ; Pešta, Michal (vedoucí práce) ; Anděl, Jiří (oponent)
Táto bakalárska práca analyzuje model errors-in-variables. Porovnáva metódy odhadovania parametrov modelu, metódu najmenších štvorcov a metódu úplne najmenších štvorcov. Hlavný rozdiel metód spočíva v prístupe ku chybám v meraniach. Prvá časť práce sa zameriava na porovnávanie metód z teoretického hľadiska. Definuje základné pojmy a graficky znázorňuje rozdiely v metódach. Práca rozoberá aj algebraické princípy riešení metód odhadovania parametrov. Záver teoretickej časti obsahuje analýzu štatistických vlastností odhadov. Prostredníctvom simulácie dát je porovnaná metóda najmenších štvorcov a metóda úplne najmenších štvorcov podľa veľkosti strednej kvadratickej odchýlky.
|
|
|
Modern Asymptotic Perspectives on Errors-in-variables Modeling
Pešta, Michal ; Antoch, Jaromír (vedoucí práce) ; Lachout, Petr (oponent) ; Zwanzig, Silvelyn (oponent)
Uvažujeme lineární regresní model, kde kovariáty a odezva jsou měřeny s chybou. Pro takzvaný model s chybami v měřeních (EIV) jsou navrženy vhodné struktury chyb, předvedeny jsou různé techniky odhadování neznámých parametrů, a zhrnuty jsou aktuální algebraické a statistické výsledky. Vynalezli jsme zobecnení odhadu založeném na úplně nejmenších čtvercích (TLS) v EIV modelu, tzv. EIV odhad. Jeho invariance (vzhledem k měřítku) a ekvivariance (vzhledem k rotaci kovariát, k změně orientaci kovariát a k záměně kovariát) jsou odvozeny. Navíc jsme ukázali, že EIV odhad je unitárně invariantní řešení EIV optimalizačního problému. Demonstrujeme, že asymptotická normalita EIV odhadu je výpočetně nevhodná pro konstrukci intervalů spolehlivosti nebo pro testování hypotéz. Správná bootstrapová procedura je zkonstruována, aby překonala takový problém. Její validita je dokázána. Simulační studie a příklad s reálnými daty ujišťují o její vhodnosti. Předpokládáme, ze chyby tvoří slabý nebo stejnoměrně slabý mixing a tedy už nejsou nezávislé. V takovém případě je dokázána silná konzistence a asymptotická normalita EIV odhadu. Navzdory tomu ich praktická aplikovatelnost zůstává problematická. Vhodná bloková bootstrapová metoda je navržena pro EIV odhad se slabě závislými chybami a následně je její oprávněnost dokázána....
|
|
|
Modern Asymptotic Perspectives on Errors-in-variables Modeling
Pešta, Michal
Univerzita Karlova v Praze Matematicko-fyzikální fakulta ABSTRAKT DISERTAČNÍ PRÁCE Michal Pešta MODERNÍ ASYMPTOTICKÉ PERSPEKTIVY PRO MODELOV ÁNÍ CHYB V POZOROV ÁNÍCH Uvažujeme lineární regresní model, kde kovariáty a odezva jsou měřeny s chybou. Pro takzvaný mo- del s chybami v měřeních (EIV) jsou navrženy vhodné struktury chyb, přědvedeny jsou různé techniky odhadování neznámých parametrů a zhrnuty jsou aktuální algebraické a statistické výsledky. Vynalezli jsme zobecnění odhadu založeného na úplně nejmenších čtvercích (TLS) v EIV modelu, tzv. EIV odhad. Odvozeny jsou jeho invariance (vzhledem k měřítku) a ekvivariance (vzhledem k rotaci kovariát, ke změne orientaci kovariát a k záměně kovariát). Navíc jsme ukázali, že EIV odhad je unitárně invariantní řešení EIV optimalizačního problému. Demonstrujeme, že asymptotická normalita EIV odhadu je z výpočetního hlediska nevhodná pro kon- strukci intervalu spolehlivosti nebo pro testování hypotéz. Je zkonstruována správná bootstrapová pro- cedura, aby překonala takový problém. Je dokázána její validita. Simulační studie a příklad s reálnýma daty potvrzují její vhodnost. Předpokládáme, že chyby tvoří slabý nebo stejnoměrně slabý mixing a tedy už nejsou...
|
|
| |
host ::
RSS.