Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Monte Carlo Markov Chain" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Triple-goal Estimation of Unemployment Rates for U.S. States Using the U.S. Current Population Survey Data
    Autorzy:
    Bonnéry, Daniel
    Cheng, Yang
    Ha, Neung Soo
    Lahiri, Partha
    Powiązania:
    https://bibliotekanauki.pl/articles/465991.pdf
    Data publikacji:
    2015
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    complex survey data
    empirical distribution function
    Monte Carlo Markov Chain
    rank
    risk
    small area estimation
    Opis:
    In this paper, we first develop a triple-goal small area estimation methodology for simultaneous estimation of unemployment rates for U.S. states using the Current Population Survey (CPS) data and a two-level random sampling variance normal model. The main goal of this paper is to illustrate the utility of the triple-goal methodology in generating a single series of unemployment rate estimates for three separate purposes: developing estimates for individual small area means, producing empirical distribution function (EDF) of true small area means, and the ranking of the small areas by true small area means. We achieve our goal using a Monte Carlo simulation experiment and a real data analysis.
    Źródło:
    Statistics in Transition new series; 2015, 16, 4; 511-522
    1234-7655
    Pojawia się w:
    Statistics in Transition new series
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of methods used for filling partially unobserved contingency tables
    Autorzy:
    Kot, Michał
    Kamiński, Bogumił
    Powiązania:
    https://bibliotekanauki.pl/articles/2034044.pdf
    Data publikacji:
    2021-03-30
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    contingency tables
    Markov Chain Monte Carlo
    Iterative Proportional Fitting Procedure
    Opis:
    In this article, we investigate contingency tables where the entries containing small counts are unknown for data privacy reasons. We propose and test two competitive methods for estimating the unknown entries: our modification of the Iterative Proportional Fitting Procedure (IPFP), and one of the Monte Carlo Markov Chain methods called Shake-and-Bake. We use simulation experiments to test these methods in terms of time complexity and the accuracy of searching the space of feasible solutions. To simplify the estimation procedure, we propose to pre-process partially unknown contingency tables with simple heuristics and dimensionality-reduction techniques to find and fill all trivial entries. Our results demonstrate that if the number of missing cells is not very large, the pre-processing is often enough to find fillings for the unknown values in contingency tables. In the cases where simple heuristics are insufficient, the Shake-and-Bake technique outperforms the modified IPFP in terms of time complexity and the accuracy of searching the space of feasible solutions.
    Źródło:
    Przegląd Statystyczny; 2021, 68, 4; 1-20
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Bayesian estimation and prediction based on Rayleigh record data with applications
    Autorzy:
    Awwad, Raed R. Abu
    Bdair, Omar M.
    Abufoudeh, Ghassan K.
    Powiązania:
    https://bibliotekanauki.pl/articles/1827533.pdf
    Data publikacji:
    2021-09-06
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    Bayesian estimation and prediction
    Rayleigh distribution
    record values
    Markov Chain Monte Carlo samples
    Opis:
    Based on a record sample from the Rayleigh model, we consider the problem of estimating the scale and location parameters of the model and predicting the future unobserved record data. Maximum likelihood and Bayesian approaches under different loss functions are used to estimate the model's parameters. The Gibbs sampler and Metropolis-Hastings methods are used within the Bayesian procedures to draw the Markov Chain Monte Carlo (MCMC) samples, used in turn to compute the Bayes estimator and the point predictors of the future record data. Monte Carlo simulations are performed to study the behaviour and to compare methods obtained in this way. Two examples of real data have been analyzed to illustrate the procedures developed here.
    Źródło:
    Statistics in Transition new series; 2021, 22, 3; 59-79
    1234-7655
    Pojawia się w:
    Statistics in Transition new series
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza płodności kobiet w Polsce z wykorzystaniem bayesowskiego modelu regresji Poissona
    Fertility analysis of women in Poland using Bayesian Poisson regression model
    Autorzy:
    Grzenda, Wioletta
    Powiązania:
    https://bibliotekanauki.pl/articles/422947.pdf
    Data publikacji:
    2012
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    płodność
    model regresji Poissona
    wnioskowanie bayesowskie
    metody Monte Carlo oparte na łańcuchach Markowa
    fertility
    Poisson regression model
    Bayesian inference
    Markov chain Monte Carlo method
    Opis:
    Celem niniejszej pracy jest zbadanie zachowań prokreacyjnych Polek poprzez identyfikację czynników je determinujących z wykorzystaniem metod bayesowskich. W pracy zastosowano bayesowski model regresji Poissona. Wybrany model umożliwił określenie kierunku i skali wpływu wybranych czynników na liczbę dzieci posiadanych przez kobiety. Natomiast podejście bayesowskie dało możliwość włączenia do modelu informacji a priori oraz lepsze oszacowanie parametrów modelu. W estymacji wykorzystano metody Monte Carlo oparte na łańcuchach Markowa, a w szczególności próbnik Gibbsa. Badanie przeprowadzono na podstawie danych indywidualnych pochodzących z polskiego badania retrospektywnego „Przemiany rodziny i wzorce dzietności w Polsce” (1991). W analizie płodności kobiet uwzględniono następujące czynniki: miejsce zamieszkania, wykształcenie, fakt pozostawania w związku małżeńskim, zatrudnienie oraz wyznanie. Otrzymane rezultaty porównano z dotychczasowymi wynikami badań dla Polski i innych krajów.
    The primary objective of the work is to use Bayesian methods to investigate women fertility in Poland and identify key factors influencing it. Bayesian Poisson regression model has been used in the analysis. The model allows determining factors that have a significant impact on the number of children born. Moreover Bayesian approach makes it possible to incorporate a priori knowledge and improve the estimation of model parameters. The model has been estimated using Markov chain Monte Carlo method with Gibbs sampling. The work has been based on the Polish study ”Family changes and Fertility Patterns in Poland” (1991). The following attributes have been considered in the analysis of women fertility: place of living, education, marital status, employment and religion. The results have been compared with the results of related research for Poland and other countries.
    Źródło:
    Przegląd Statystyczny; 2012, 59, 2; 179-198
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Badanie determinant pozostawania bez pracy osób młodych z wykorzystaniem semiparametrycznego modelu Coxa
    An analysis of unemployment duration determinants among young people using semiparametric Cox model
    Autorzy:
    Grzenda, Wioletta
    Powiązania:
    https://bibliotekanauki.pl/articles/422828.pdf
    Data publikacji:
    2012
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    bezrobocie
    semiparametryczny model Coxa
    wnioskowanie bayesowskie
    metody MCMC
    unemployment
    semiparametric Cox model
    Bayesian inference
    Markov chain Monte Carlo method
    Opis:
    Obecnie wśród osób rozpoczynających karierę zawodową obserwuje się szczególnie dużą wartość wskaźnika bezrobocia. Celem niniejszego opracowania jest identyfikacja czynników demograficznych oraz społeczno-ekonomicznych wpływających na długość czasu pozostawania bez pracy tych osób. W badaniu wykorzystano m.in. bayesowski semiparametryczny model Coxa dla danych indywidualnych. Wykorzystanie modelu przeżycia daje możliwość analizy jednoczesnego wpływu wybranych zmiennych objaśniających na czas pozostawania bez pracy. Natomiast podejście bayesowskie umożliwia uwzględnienie w badaniu, za pomocą rozkładów a priori, dodatkowej informacji spoza próby. Estymację modeli przeprowadzono z wykorzystaniem metod Monte Carlo opartych na łańcuchach Markowa, a dokładniej algorytmu ARMS.
    High unemployment rates are observed among people beginning job careers nowadays. The aim of the work is to identify demographic and socio-economic factors influencing the unemployment duration in this age group. In this research, Bayesian semiparametric Cox model for individual data has been used. The advantage of survival model is the possibility of the analysis of the impact of selected independent variables on unemployment duration. The Bayesian approach with a priori distribution makes the use of out of the sample knowledge possible. The model has been estimated using Markov chain Monte Carlo method with ARMS algorithm.
    Źródło:
    Przegląd Statystyczny; 2012, 59, numer specjalny 1; 123-139
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies