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 "regresja nieparametryczna" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    O odporności na obserwacje odstające wybranych nieparametrycznych modeli regresji
    Robustness for outliers of selected nonparametric regression models
    Autorzy:
    Trzęsiok, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/587772.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Obserwacje odstające
    Odporność
    Regresja nieparametryczna
    Nonparametric regression
    Outliers
    Robust
    Opis:
    Artykuł jest poświęcony zagadnieniu odporności metod regresji na obserwacje odstające występujące w zbiorze danych. W pierwszej części przedstawiono wybrane metody identyfikacji obserwacji nietypowych. Następnie badano odporność trzech nieparametrycznych metod regresji: PPR, POLYMARS i RANDOM FORESTS. Analiz dokonano za pomocą procedur symulacyjnych na rzeczywistym zbiorze danych Mieszkania, w którym wykryto obserwacje odstające. Pomimo dosyć powszechnych przekonań o odporności regresji nieparametrycznej, okazało się, że modele zbudowane na całym zbiorze danych mają istotnie mniejsze zdolności predykcyjne niż modele uzyskane na zbiorze, z którego usunięto obserwacje nietypowe.
    The paper presents an important problem of robustness for outliers in regression. In the first part selected outliers detection techniques are described. Moreover, we empirically examine the robustness of the following methods: PPR, POLYMARS and RANDOM FORESTS on real world dataset. We show, that after removing outliers the prediction abilities of the models increase.
    Źródło:
    Studia Ekonomiczne; 2015, 227; 75-84
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Generalized kernel regression estimate for the identification of Hammerstein systems
    Autorzy:
    Mzyk, G.
    Powiązania:
    https://bibliotekanauki.pl/articles/929610.pdf
    Data publikacji:
    2007
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    system Hammersteina
    regresja nieparametryczna
    estymacja jądra
    Hammerstein system
    nonparametric regression
    kernel estimation
    Opis:
    A modified version of the classical kernel nonparametric identification algorithm for nonlinearity recovering in a Hammerstein system under the existence of random noise is proposed. The assumptions imposed on the unknown characteristic are weak. The generalized kernel method proposed in the paper provides more accurate results in comparison with the classical kernel nonparametric estimate, regardless of the number of measurements. The convergence in probability of the proposed estimate to the unknown characteristic is proved and the question of the convergence rate is discussed. Illustrative simulation examples are included.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2007, 17, 2; 189-197
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie regresji nieparametrycznej do modelowania wielkości oszczędności gospodarstw domowych
    Nonparametric Regression Applied to Modelling Household Savings
    Autorzy:
    Trzęsiok, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/591136.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Badania empiryczne
    Oszczędności gospodarstw domowych
    Regresja nieparametryczna
    Empirical researches
    Household savings
    Nonparametric regression
    Opis:
    In the paper the procedure for selecting the best nonparametric model for a given problem of regression is presented. This procedure has two stages. In the first one, many nonparametric models of regression, for different parameters settings, are built. Then the model with the smallest mean squared error is chosen. In the second stage, the method for the reduction of insignificant predictors is used. This procedure is applied to modelling household savings.
    Źródło:
    Studia Ekonomiczne; 2013, 159; 99-108
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    O interpretacji nieparametrycznych modeli regresyjnych
    Parametric Interpretation of Non-Parametric Regression Models
    Autorzy:
    Stelmach, Jacek
    Powiązania:
    https://bibliotekanauki.pl/articles/588048.pdf
    Data publikacji:
    2014
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Metoda Monte Carlo
    Modele regresji
    Regresja nieparametryczna
    Monte Carlo method
    Nonparametric regression Regression models
    Opis:
    The advantage of the parametric regression models is the possibility of interpretation of the parameters of the regression model, i.e. to determine the direction and strength of the influence of predictors on the dependent variable. Unfortunately, in practice - the nonlinearity of the real processes, the influence of the phenomena with various probability distributions and a small number of observations limits the building of parametric models while the interpretation of non-parametric models is either impossible or very limited. Frequently such interpretation is useful in the specified range of variation. This may be a typical range of variation - for example, between the second and third quartiles, or a specific range due to the nature of the modeled phenomenon or process. It is difficult however, to build parametric models based only on the range of explanatory variables, because in this way we exclude observations giving additional knowledge into the model. The essence of this study is to enable the interpretation of non-parametric models through the creation of additional observations with these models in an interesting range of explanatory variables. These observations create secondary dataset used for the construction of a parametric model, which can now be interpreted. Presented investigations compare - using simulation - parametric models created for secondary sample with parametric models calculated for the original data.
    Źródło:
    Studia Ekonomiczne; 2014, 203; 154-162
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wybrane aspekty nieparametrycznego prognozowania nieliniowych szeregów czasowych
    Several Aspects of Nonparametric Prediction of Nonlinear Time Series
    Autorzy:
    Orzeszko, Witold
    Powiązania:
    https://bibliotekanauki.pl/articles/964958.pdf
    Data publikacji:
    2018
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    regresja nieparametryczna
    nieparametryczne prognozowanie
    metody jądrowe
    nieliniowe szeregi czasowe
    analiza Monte Carlo
    nonparametric regression
    nonparametric forecasting
    kernel
    smoothers
    nonlinear time series
    monte carlo study
    Opis:
    Regresja nieparametryczna stanowi obiecujące, lecz jednocześnie wciąż niedoceniane podejście do modelowania finansowych i ekonomicznych szeregów czasowych. Polega ona na konstrukcji modeli nieparametrycznych, w których zależność pomiędzy zmiennymi nie jest wyrażona w postaci funkcji o określonej postaci analitycznej lub parametry charakteryzujące tę zależność należą do przestrzeni nieskończenie wymiarowej. W przeciwieństwie do modeli parametrycznych, modele nieparametryczne nie są ograniczone do określonej z góry postaci, lecz pozwalają „mówić danym samym za siebie”. Z tego względu wydają się interesującym narzędziem prognozowania zwłaszcza w przypadku nieliniowych szeregów czasowych. W zakresie nieparametrycznych metod regresji na szczególną uwagę zasługują estymatory, które w swojej konstrukcji wykorzystują funkcje jądrowe. Spośród nich najczęściej stosowanym jest estymator Nadarai-Watsona, choć obecnie znane są pewne rozwinięcia tego podejścia. Jednym z nich jest Lokalna Jądrowa Regresja Liniowa, będąca połączeniem estymacji jądrowej i lokalnej aproksymacji liniowej. W pracy przeprowadzono symulacje Monte Carlo, mające na celu ocenę przydatności metod regresji jądrowej do prognozowania nieliniowych szeregów czasowych i porównanie ich z innymi metodami prognozowania.
    Nonparametric regression is an alternative to the parametric approach, which consists of applying parametric models, i.e. models of the certain functional form with a fixed number of parameters. As opposed to the parametric approach, nonparametric models have a general form, which can be approximated increasingly precisely when the sample size grows. Hereby they do not impose such restricted assumptions about the form of the modelling dependencies and in consequence, they are more flexible and let the data speak for themselves. That is why they are a promising tool for forecasting, especially in case of nonlinear time series. One of the most popular nonparametric regression method is the NadarayaWatson kernel smoothing. Nowadays, there are a number of variations of this method, like the local-linear kernel estimator, which combines the local linear approximation and the kernel estimator. In the paper a Monte Carlo study is conducted in order to assess the usefulness of the kernel smoothers to nonlinear time series forecasting and to compare them with the other techniques of forecasting.
    Źródło:
    Przegląd Statystyczny; 2018, 65, 1; 7-24
    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