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 "Współliniowość" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Drzewa klasyfikacyjne w medycynie
    Classification trees in medicine
    Autorzy:
    Owczarek, Aleksander J.
    Powiązania:
    https://bibliotekanauki.pl/articles/1035042.pdf
    Data publikacji:
    2014
    Wydawca:
    Śląski Uniwersytet Medyczny w Katowicach
    Tematy:
    drzewa klasyfikacyjne
    proces decyzyjny
    współliniowość zmiennych
    dane
    niepełne
    classification trees
    decision process
    multicollinearity
    missing data
    Opis:
    The paper presents the use of computerized diagnostic decision support systems for medical diagnostics in medicine. The structure of a classical decision tree and the advantages and disadvantages of using classification trees have been discussed. Moreover, the paper deals with the effect of classification trees with respect to other classic statistical methods, such as discriminant analysis and logistic regression, taking into account the problem of variable multicollinearity and the problem of the occurrence of so-called missing data. Additionally, some examples of the application of classification trees in medicine have been shown.
    W pracy zaprezentowano wykorzystanie w medycynie komputerowych systemów diagnostyki medycznej. Przedstawiono budowę klasycznego drzewa decyzyjnego oraz zalety i wady stosowania drzew klasyfikacyjnych. Ponadto omówiono działanie drzew klasyfikacyjnych w świetle innych klasycznych metod statystycznych, takich jak analiza dyskryminacyjna czy regresja logistyczna, z uwzględnieniem problemu współliniowości zmiennych czy problemu występowania tzw. danych niepełnych. Podano wybrane przykłady zastosowania drzew klasyfikacyjnych w medycynie.
    Źródło:
    Annales Academiae Medicae Silesiensis; 2014, 68, 6; 449-456
    1734-025X
    Pojawia się w:
    Annales Academiae Medicae Silesiensis
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Model regresji grzbietowej i jego wykorzystanie do oceny ryzyka inwestycyjnego - przypadek rynku metali
    Ridge regression model and its application in investment risk assessment - the case of metals market
    Autorzy:
    Krężołek, Dominik
    Powiązania:
    https://bibliotekanauki.pl/articles/590856.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Model regresji
    Regresja grzbietowa
    Rynek metali
    Ryzyko
    Współliniowość
    Co-linearity
    Metals market
    Regression model
    Ridge regression
    Risk
    Opis:
    Modele regresji są powszechnie wykorzystywanymi narzędziami statystyki, a także innych nauk ilościowych, służącymi do wykrywania związków w obrębie analizowanych danych oraz do prowadzenia predykcji wielkości zestawu zmiennych objaśnianych na podstawie realizacji zestawu zmiennych objaśniających. Istnieje wiele metod umożliwiających szacowanie nieznanych parametrów modeli regresji, m.in. MNK, MNW, MM, jednakże nie zawsze uzyskane estymatory spełniają wymagane założenia (co do swoich własności oraz co do własności modelu). Istotny stopień współliniowości uniemożliwia właściwe wnioskowanie na podstawie modeli klasycznych. W artykule podjęto próbę wykorzystania regresji grzbietowej do modelowania ryzyka inwestycji na rynku metali. Model wykorzystuje parametr kary, umożliwiający redukcję zmiennych współliniowych, a tym samym uzyskanie prostszej postaci funkcji regresji. Dodatkowo zmniejsza się obciążenie oraz wariancja estymatorów parametrów modelu.
    Regression models are commonly used statistical tool (and other quantitative sciences), which allows for modelling relations within analyzed datasets. One of their most important features is the prediction property. In the literature there are a lot of methods for estimating unknown parameters of regression models, e.g. Maximum Likelihood, Ordinary Least Squares etc., but estimated parameters not always meet the required assumptions (regarding their properties itself and the properties of selected model). Colinearity between data prevents from correct inferring using classical models. The aim of the article is the application of ridge regression model in risk assessment on the metals market. The model uses so-called penalty parameter allowing for elimination of co-linear variables and makes the model more simpler. Additionally, the bias of the estimators and their variances reduce.
    Źródło:
    Studia Ekonomiczne; 2016, 288; 21-32
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      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