Ocena wpływu wymiaru przestrzeni zmiennych na jakość predykcji wybranych nieparametrycznych modeli regresji

• Autorzy: Joanna Trzęsiok

Warianty tytułu

The Impact of the Number of Variables on the Prediction Accuracy in Selected Nonparametric Regression Models

• Języki publikacji: PL

Abstrakty

Celem artykułu było zbadanie, czy w przypadku nieparametrycznych metod regresji przeprowadzenie procedury eliminacji zmiennych i wprowadzenie do modelu tylko części z nich znacznie zmienia wartość błędu predykcji tego modelu. Do analizy wykorzystano modele zbudowane z wykorzystaniem wybranych nieparametrycznych metod regresji: POLYMARS oraz PPR. Wszystkie obliczenia wykonano za pomocą programu statystycznego R. (fragment tekstu)

EN

The paper presents the procedure 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 models with smaller mean squared errors than models built on the complete set of the input variables. (original abstract)

Słowa kluczowe

PL

Modele regresji; Analiza danych

EN

Regression models; Data analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2009
• Tom: 16
• Numer: nr 47 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 141--148

Twórcy

autor

Joanna Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Cherkassky V., Mulier F. (1998), Learning from data - concepts, theory, and methods, Wiley, New York.
• Friedman J.H. (1991), Multivariate adaptive regression splines, "Annals of Statistics" nr 19, s. 1-141.
• Friedman J.H., Stuetzle W. (1981), Projection pursuit regression, "Journal of the American Statistical Association" nr 76, s. 817-823.
• 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 K. (2002), Benchmarking support vector machines, Report no 78, Vienna University of Economics and Business Administration, http://www.wuwien.ac.at/am/Download/report78.pdf.
• Trzęsiok J. (2004a), Wybrane nieparametryczne metody regresji i ich zastosowania, Taksonomia 11, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1022, AE, Wrocław, s. 107-115.
• Trzęsiok J. (2004b), Metoda rzutowania w budowie modelu regresyjnego, [w:] Postępy ekonometrii, red. A.S. Barczak, AE, Wrocław, s. 121-130.
• Trzęsiok J. (2006), Analiza wybranych własności metody MART, [w:] Taksonomia 13, Klasyfikacja i analiza danych, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1126, AE, Wrocław, s. 510-518.
• Trzęsiok J. (2008), Ocena zasadności łączenia wybranych nieparametrycznych modeli regresji, [w:] Taksonomia 15, Klasyfikacja i analiza danych, red. K. Jajuga, M. Walesiak, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 1207, UE, Wrocław, s. 346-353.