Cookies helfen uns bei der Bereitstellung unserer Dienste. Durch die Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies setzen.
De En Es
Kundenservice: +49 (0) 551 - 547 24 0

Cuvillier Verlag

30 Jahre Kompetenz im wissenschaftlichen Publizieren
Internationaler Fachverlag für Wissenschaft und Wirtschaft

Cuvillier Verlag

Premiumpartner
De En Es
Titelbild-leitlinien
Clustering in Linear and Additive Mixed Models

Printausgabe
EUR 29,85 EUR 28,36

E-Book
EUR 20,90

Clustering in Linear and Additive Mixed Models

Felix Heinzl (Autor)

Vorschau

Leseprobe, PDF (64 KB)
Inhaltsverzeichnis, PDF (30 KB)

ISBN-13 (Printausgabe) 9783954044030
ISBN-13 (E-Book) 9783736944039
Sprache Englisch
Seitenanzahl 176
Umschlagkaschierung glänzend
Auflage 1. Aufl.
Erscheinungsort Göttingen
Promotionsort LMU München
Erscheinungsdatum 30.04.2013
Allgemeine Einordnung Dissertation
Fachbereiche Wirtschaftswissenschaften
Mathematik
Schlagwörter Clustering, Mixed Model, Dirichlet Process Miature, EM Algorithm, Strok Breaking, Statistik, Angewandte Mathematik
URL zu externer Homepage http://www.statistik.lmu.de/~heinzl/
Beschreibung

In der vorliegenden Arbeit wird die klassische Annahme von normalverteilten zufälligen Effekten im Rahmen gemischter Modelle durch zwei flexiblere Verteilungsannahmen ersetzt, die im Besonderen Gruppen von Individuen bilden können. Im ersten Ansatz wird eine penalisierte Mischung aus Normalverteilungen basierend auf dem „group lasso“- und dem „fused lasso“’-Ansatz für die Verteilung der zufälligen Effekte angenommen. In einem alternativen Ansatz wird eine approximierte Dirichlet-Prozess-Mischung als Verteilung der zufälligen Effekte herangezogen, die die Clustereigenschaft des Dirichlet-Prozesses zum Aufdecken einer Gruppenstruktur ausnützt. Dabei wird das Konzept der Dirichlet-Prozesse in die Likelihood-Inferenz übertragen, indem ein EM-Algorithmus zum Schätzen von linearen gemischten Modellen mit approximierter Dirichlet-Prozess-Mischung vorgestellt wird. Des Weiteren wird dieser Ansatz auf den Fall additiv gemischter Modelle erweitert, wobei hier ein penalisierter Spline zur Modellierung des Zeiteffekts verwendet wird. Für diese Modellklasse wird außerdem eine rein bayesianische Schätzung basierend auf Markov-Ketten-Monte-Carlo-Methoden vorgestellt. Anwendungsbeispiele und Simulationsstudien veranschaulichen den Nutzen der vorgestellten Verfahren.