Dobór zmiennych do modelu regresyjnego zbudowanego za pomocą wybranych metod nieparametrycznych

• Autorzy: Joanna Trzęsiok

Warianty tytułu

Variable Selection for Regression Model Built with the Use of Chosen Nonparametric Methods

• Języki publikacji: PL

Abstrakty

W artykule poruszony został problem doboru zmiennych objaśniających do modelu regresyjnego, zbudowanego za pomocą wybranych nieparametrycznych metod regresji: POLYMARS oraz PPR. Przedstawione i porównane zostały dwie procedury selekcji zmiennych: eliminacja pojedynczych zmiennych oraz eliminacja blokiem. Wyniki przeprowadzonych analiz pokazują, że zastosowanie redukcji liczby zmiennych prowadzi do uzyskania modeli mniej złożonych i charakteryzujących się mniejszymi wartościami błędu średniokwadratowego niż modele zbudowane na komplecie zmiennych.(abstrakt oryginalny)

EN

The paper aims to discuss and compare two procedures for variable selection for regression models built with the use of two nonparametric methods: POLYMARS and projection pursuit regression. The results obtained on the benchmark data sets show that using the procedure for the reduction of the number of predictors yields simpler models with smaller mean squared errors than models built on the complete set of the input variables.(original abstract)

Słowa kluczowe

PL

Modele regresji; Dobór zmiennych; Regresja nieparametryczna

EN

Regression models; Variables selection; Nonparametric regression

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2010
• Tom: 17
• Numer: nr 107 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 172--180

Twórcy

autor

Joanna Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Friedman J.H., Stuetzle W., Projection pursuit regression, "Journal of the American Statistical Association" 1981 m-76, s. 817-823.
• Guyon I., Gunn S., Nikravesh M., Zadeh L. (red.), Feature Extraction, Foundations and Applications, Springer, 2006.
• Harrison D., Rubinfeld D. L., Hedonic Prices and the Demand for Clean Air, "Journal of Environmental Economics and Management" 1978 no 8.
• Kooperberg C., Bose S., Stone C.J., Polychotomous Regression, "Journal of the American Statistical Association" 1997 nr 92, s. 117-127.
• Meyer D., Leisch F., Hornik К., Benchmarking support vector machines. Report no. 78, Vienna University of Economics and Business Administration, 2002, http://www.wuwien.ac.at/am Download/ report78.pdf.
• Nagatani Т., Abe S., Backward variable selection of support vector regressors by block deletion, "International Joint Conference on Neural Networks" (IJCNN), Orlando 2007, s. 1540-1545.
• Trzęsiok J., Metoda rzutowania w budowie modelu regresyjnego, [w:] Postępy ekonometrii, red. A.S. Bar-czak, AE, Katowice 2004b.
• Trzęsiok J., Ocena wpływu wymiaru przestrzeni zmiennych na jakość predykcji wybranych nieparametrycznych modeli regresji, [w:] Klasyfikacja i analiza danych, Taksonomia 16, K. Jajuga. M. Walesiak (red.), Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 47, UE, Wrocław 2009, s. 141-148.
• Trzęsiok J., Wybrane nieparametryczne metody regresji i ich zastosowania, [w:] Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 1 I, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1022, AE, Wrocław 2004a.