Nieparametryczne modele regresji oparte na sieciach neuronowych

• Autorzy: Joanna Trzęsiok
• Języki publikacji: PL

Abstrakty

Uwaga w pracy skupia się na szczególnym typie sieci neuronowych - z jedną warstwą ukrytą. Ponadto, rozważano sieć neuronową poprzez przedstawienie jej jako modelu statystycznego wykorzystywanego tylko w analizie regresji. Celem pracy było porównanie wyników predykcji otrzymanych za pomocą tego modelu z wynikami działania innych, nieparametrycznych metod regresji. Nieparametryczne metody regresji to podejście alternatywne w stosunku do metod klasycznych, które wyrosło z potrzeby stworzenia nowych narzędzi regresji, które byłyby bardziej elastyczne i nie nakładały na badane cechy restrykcyjnych założeń. Tak więc w metodach nieparametrycznych nie zakłada się ani znajomości analitycznych postaci związków między zmiennymi objaśniającymi a zmienną zależną, ani też znajomości rozkładu składnika losowego w modelu. Nie wymaga się również, by składniki losowe nie były skorelowane ze zmień- nego metodą PPR.

Słowa kluczowe

PL

Modele ekonometryczne; Ekonomia; Sieci neuronowe; Regresja nieparametryczna

EN

Econometric models; Economics; Neural networks; Nonparametric regression

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2010
• Tom: Metody i modele analiz ilościowych w ekonomii i zarządzaniu. Cz. 2
• Strony: 66--77

Twórcy

autor

Joanna Trzęsiok

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Cherkassky V., Mulier F.: Learning from Data - Concepts, Theory, and Methods. Wiley, New York 1998
• Friedman J.H.: Multivariate Adaptive Regression Splines. "Annals of Statistics" 1991, No. 19
• Friedman J.H.: Greedy Function Approximation: a Gradient Boosting Machine. Technical Report, Dept, of Statistics, Stanford University, 1999a
• Friedman J.H.: Stochastic Gradient Boosting. Technical Report, Dept, of Statistics, Stanford University, 1999b
• Friedman J.H., Stuetzle W.: Projection Pursuit Regression. "Journal of the American Statistical Association" 1981, No. 76
• Hastie T., Tibshirani R., Friedman J.H.: The Elements of Statistical Learning. Springer-Verlag, New York 2001
• Kooperberg C., Bose S., Stone C.J.: Polychotomous Regression. "Journal of the American Statistical Association" 1997, No. 92
• Meyer D., Leisch F., Hornik K.: Benchmarking Support Vector Machines. Report No. 78 Vienna University of Economics and Business Administration, 2002
• http://www.wuwien.ac.at/am/Download/ report78.pdf
• Trzęsiok J.: Wybrane nieparametryczne metody regresji i ich zastosowania. W: Taksonomia 11. Klasyfikacja i analiza danych - teoria i zastosowania. Red. W. Jajuga, M. Walesiak. Prace Naukowe. Akademia Ekonomiczna, Wrocław 2004a, nr 1022
• Trzęsiok J.: Metoda rzutowania w budowie modelu regresyjnego. W: Postępy ekonometrii. Red. A.S. Barczak. Akademia Ekonomiczna, Katowice, 2004b
• Trzęsiok J.: Analiza wybranych własności metody MART. W: Taksonomia 13. Klasyfikacja i analiza danych. Red. K. Jajuga, M. Walesiak. Prace Naukowe. Akademia Ekonomiczna, Wrocław 2006
• Trzęsiok J.: Gradientowa metoda boosting w ujęciu stochastycznym. W: Postępy statystyki, ekonometrii i matematyki stosowanej w Polsce Południowej. Red. A. Zeliaś, J. Pociecha. Uniwersytet Ekonomiczny, Kraków 2008