عنوان

استنباط آماری در مدل های خطی تعمیم یافته ی ابعاد بالا

شماره

پ۲۵۴۳۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

استنباط آماری در مدل های خطی تعمیم یافته ی ابعاد بالا

نام نخستين پديدآور

مهری نوری اصل سیدلر

نام ناشر، پخش کننده و غيره

ریاضی

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۹۰ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

دکتری

نظم درجات

علوم ریاضی - آمار

زمان اعطا مدرک

۱۴۰۰/۰۶/۳۱

متن يادداشت

یشرفت روز افزون علوم مختلف از جمله پزشکی ͬͺو بهداشتͬ و مدیریت باعثتولید حجم وسیعی از داده ها گشته است. در این گونه موارد انتخاب متغیر یک ابزارتوانمند برای اکتشاف در زمینه های مختلف است، که از سال های دور توجه بسیاری رابه خود جلب کرده است. انتخاب متغیر با استفاده از روش های رگرسیون تاوانیده صرفاًبر اساس متغیرهای پیشگوی مؤثر انجام میشود. از این رو عدم شناسایی متغیرها باخاصیت پیشͽویی ضعیف، منجر به کاهش کارایی استنباطهای حاصل از روشهایرگرسیونͬ میگردد. در این رساله، استراتژی برآوردگرهای انقباضͬ نوع استاین و استاینمثبت، با هدف بهبود عملͺرد پیش بینͬنی در مدل های خطͬ تعمیم یافته با بعد بالا موردمطالعه قرار میگیرد. برآوردگرهای انقباضͬ معرفی شده ترکیب خطͬ از برآوردگرهایریج وزنی و برآوردگرها با تاوان نوع لاسو هستند. تحت برخی شرایط نظم، رفتار مجانبیبرآوردگرهای پیشنهاد شده مورد بررسی قرار میگیرد. به علاوه در قالب یک مطالعه یشبیه سازی و مثال واقعی کارایی آن ها از دیدگاه میانگین توان دوم خطا مورد ارزیابیقرار میگیرد

متن يادداشت

The increasing advancement of various sciences including medicine and healthand management has led to the production of large volumes of data. In such cases, variable selection is a powerful tool for exploration in various fields that has attracted muchattention over the years. Variable selection using penalized regression methods is basedsolely on effective predictive variables. Therefore, failure to identi variables with weakpredictive properties leads to a decrease in the efficiency of inferences obtained omregression methods. In this thesis, the strategy of Stein-type shrinkage and positiveStein estimators with the aim of improving the performance of forecasting in highdimensional generalized linear models is studied. The introduced estimators are a linear combination of weighted ridge estimators and lasso-type estimators. Under someregularity conditions, the asymptotic behavior of the proposed estimators is examined.In addition, in the form of a simulation study and a real example, their performance isevaluated om the perspective of the mean square error

عنوان گونه گون

Statistical Inference in High-Dimensional Generalized Linear Models

عنصر شناسه اي

نوری اصل سیدلر

ساير عناصر نام

‏ مهری

کد نقش

تهيه کننده

عنصر شناسه اي

‏ بیورائی

عنصر شناسه اي

عربی

ساير عناصر نام

‏ حسین

ساير عناصر نام

‏ رضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز