Porównanie zdolności predykcyjnych modelu regresji grzbietowej z wybranymi nieparametrycznymi modelami regresji

• Autorzy: Joanna Trzęsiok

Warianty tytułu

Comparing the Performance of the Ridge Regression with Some Nonparametric Regression Models

• Języki publikacji: PL

Abstrakty

Celem artykułu jest porównanie modeli otrzymywanych za pomocą regresji grzbietowej z wybranymi nieparametrycznymi metodami regresji, pod względem zdolności predykcyjnych, które w tej pracy będą rozumiane jako ocena, na ile wartości teoretyczne, oszacowane na podstawie zbudowanego modelu, różnią się od wartości rzeczywistych dla obserwacji spoza zbioru uczącego. W zestawieniach różnych metod regresji, pod względem zdolności predykcji, liniowy model najczęściej zajmuje ostatnie miejsce [12]. Interesujące wydaje się więc przeprowadzenie badań porównawczych dla regresji grzbietowej, jako metody będącej "ulepszoną wersją" liniowej regresji wielorakiej. (fragment tekstu)

EN

The paper presents a short description of ridge regression and comparing the performance of this regression with some nonparametric methods of regression. The analysis was conducted with the use of simulation procedures on benchmarking data sets. (original abstract)

Słowa kluczowe

PL

Modele ekonometryczne; Metody ekonometryczne; Statystyka nieparametryczna; Wielowymiarowa analiza porównawcza; Statystyka; Statystyka matematyczna

EN

Econometric models; Econometric methodology; Nonparametric statistics; Multi-dimensional comparative analysis; Statistics; Mathematical statistics

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2014
• Numer: nr 191 Zastosowanie metod matematycznych w ekonomii i zarzadzaniu
• Strony: 65--74

Twórcy

autor

Joanna Trzęsiok

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Bishop C., Neural Networks for Pattern Recognition, Oxford University Press, Oxford 1995.
• Blum A., Kalai A., Langford J., Beating the Hold-Out: Bounds for K-fold and Progressive Cross-Validation, "COLT" 1999, s. 203-208.
• Breiman L., Random Forests, "Machine Learning" 2001, Vol. 45, s. 5-32.
• Friedman J., Stuetzle W., Projection Pursuit Regression, "Journal of the American Statistical Association" 1981, Vol. 76, s. 817-823.
• Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference and Prediction, Springer Series in Statistics, Springer Verlag, New York 2001.
• Hoerl A.E., Kennard R.W., Ridge Regression: Applications to Nonorthogonal Problems, "Technometrics" 1970, Vol. 12, s. 69-82.
• Hoerl A.E., Kennard R.W., Ridge Regression: Biased Estimation for Nonorthogonal Problems, "Technometrics" 1970, Vol. 12, s. 55-67.
• Hothorn T., Leisch F., Zeileis A., Hornik K., The Design and Analysis of Benchmark Experiments, "Journal of Computational and Graphical Statistics" 2005, Vol. 14(3), s. 675-699.
• Kohavi R., A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection, "IJCAI" 1995, s. 1137-1145.
• Kooperberg C., Bose S., Stone C., Polychotomous Regression, "Journal of the American Statistical Association" 1997, Vol. 92, s. 117-127.
• Maddala G.S., Ekonometria, WN PWN, Warszawa 2006.
• Trzęsiok J., Porównanie nieparametrycznych modeli regresji pod względem zdolności predykcyjnych, [w:] Metody i modele analiz ilościowych w ekonomii i zarządzaniu cz. 4, red. J. Mika, Wydawnictwo Uniwersytetu Ekonomicznego, Katowice 2012, s. 102-111.
• Welfe A., Ekonometria, PWE, Warszawa 2003.