Michael Seitz

Intervalldaten und generalisierte lineare Modelle (eBook, PDF)

• Format: PDF

Produktbeschreibung

Da eine direkte präzise Schätzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht möglich ist, formuliert Michael Seitz die Intervallschätzungen der Parameter als Optimierungsproblem und schlägt numerische Verfahren vor, um diese zu lösen. Die Herausforderung liegt dabei in der numerischen Lösung des hochdimensionalen Optimierungsproblems. Dieses wird hier näherungsweise mit einer Kombination aus bekannten numerischen Verfahren für nicht-lineare Zielfunktionen und heuristischem Vorgehen gelöst. Des Weiteren werden für einige Spezialfälle andere zuverlässigere Verfahren vorgestellt.

Der Inhalt

• Numerische Optimierungsverfahren zur Lösung des Problems
• Direkte Optimierung der Parameter und Optimierung
• Anwendung der Verfahren auf simulierte Daten

Die Zielgruppen

• Dozenten und Studenten der Mathematik mit den Schwerpunkten Statistik und Informatik
• Praktiker, die sich mit Statistik und Datenanalyse befassen

Der Autor

Michael Seitz verfasste seine Masterarbeit bei Prof. Dr. Thomas Augustin am Institut für Statistik an der Ludwig-Maximilians-Universität München und promoviert derzeit an der Technischen Universität München.

---

Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, BG, CY, CZ, D, DK, EW, E, FIN, F, GR, HR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.

Produktdetails

• Verlag: Springer Fachmedien Wiesbaden
• Seitenzahl: 110
• Erscheinungstermin: 16. Januar 2015
• Deutsch
• ISBN-13: 9783658087463
• Artikelnr.: 44616140

Autorenporträt

Michael Seitz verfasste seine Masterarbeit bei Prof. Dr. Thomas Augustin am Institut für Statistik an der Ludwig-Maximilians-Universität München und promoviert derzeit an der Technischen Universität München.

Inhaltsangabe

Numerische Optimierungsverfahren zur Lösung des Problems.- Direkte Optimierung der Parameter und Optimierung.- Anwendung der Verfahren auf simulierte Daten.