Andere Kunden interessierten sich auch für
![Variable Selection by Regularization Methods for Generalized Mixed Models]( "Variable Selection by Regularization Methods for Generalized Mixed Models")
Variable Selection by Regularization Methods for Generalized Mixed Models27,10 €![Recursive Models of Dynamic Linear Economies]( "Recursive Models of Dynamic Linear Economies")
Recursive Models of Dynamic Linear Economies39,99 €![The Composite Marginal Likelihood (CML) Inference Approach with Applications to Discrete and Mixed Dependent Variable Models]( "The Composite Marginal Likelihood (CML) Inference Approach with Applications to Discrete and Mixed Dependent Variable Models")
The Composite Marginal Likelihood (CML) Inference Approach with Applications to Discrete and Mixed Dependent Variable Models101,99 €![Continuous-Time Linear Models]( "Continuous-Time Linear Models")
Continuous-Time Linear Models62,99 €![Improvements over Fuzzy clustering methods for large Datasets]( "Improvements over Fuzzy clustering methods for large Datasets")
Improvements over Fuzzy clustering methods for large Datasets26,99 €![Strategic Allocation of Resources Using Linear Programming Model with Parametric Analysis]( "Strategic Allocation of Resources Using Linear Programming Model with Parametric Analysis")
Strategic Allocation of Resources Using Linear Programming Model with Parametric Analysis49,99 €![Manual on the Simple Linear Actuarial Model]( "Manual on the Simple Linear Actuarial Model")
Manual on the Simple Linear Actuarial Model59,99 €
In der vorliegenden Arbeit wird die klassische Annahme von normalverteilten zufälligen Effekten im Rahmen gemischter Modelle durch zwei flexiblere Verteilungsannahmen ersetzt, die im Besonderen Gruppen von Individuen bilden können. Im ersten Ansatz wird eine penalisierte Mischung aus Normalverteilungen basierend auf dem ¿group lassö- und dem ¿fused lassö¿-Ansatz für die Verteilung der zufälligen Effekte angenommen. In einem alternativen Ansatz wird eine approximierte Dirichlet-Prozess-Mischung als Verteilung der zufälligen Effekte herangezogen, die die Clustereigenschaft des Dirichlet-Prozesses zum Aufdecken einer Gruppenstruktur ausnützt. Dabei wird das Konzept der Dirichlet-Prozesse in die Likelihood-Inferenz übertragen, indem ein EM-Algorithmus zum Schätzen von linearen gemischten Modellen mit approximierter Dirichlet-Prozess-Mischung vorgestellt wird. Des Weiteren wird dieser Ansatz auf den Fall additiv gemischter Modelle erweitert, wobei hier ein penalisierter Spline zur Modellierung des Zeiteffekts verwendet wird. Für diese Modellklasse wird außerdem eine rein bayesianische Schätzung basierend auf Markov-Ketten-Monte-Carlo-Methoden vorgestellt. Anwendungsbeispiele und Simulationsstudien veranschaulichen den Nutzen der vorgestellten Verfahren
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.