Las cookies nos ayudan a ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso de cookies.

Editorial Cuvillier

Publicaciones, tesis doctorales, capacitaciónes para acceder a una cátedra de universidad & prospectos.
Su editorial internacional especializado en ciencias y economia

Editorial Cuvillier

De En Es
Clustering in Linear and Additive Mixed Models

Impresion
EUR 29,85 EUR 28,36

E-Book
EUR 20,90

Clustering in Linear and Additive Mixed Models (Tienda española)

Felix Heinzl (Autor)

Previo

Lectura de prueba, PDF (64 KB)
Indice, PDF (30 KB)

ISBN-13 (Impresion) 9783954044030
ISBN-13 (E-Book) 9783736944039
Idioma Inglés
Numero de paginas 176
Laminacion de la cubierta Brillante
Edicion 1. Aufl.
Lugar de publicacion Göttingen
Lugar de la disertacion LMU München
Fecha de publicacion 30.04.2013
Clasificacion simple Tesis doctoral
Area Economía
Matemática
Palabras claves Clustering, Mixed Model, Dirichlet Process Miature, EM Algorithm, Strok Breaking, Statistik, Angewandte Mathematik
URL para pagina web externa http://www.statistik.lmu.de/~heinzl/
Descripcion

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.