Global ETD Search

1	離群值偵測與殘差分析之貝氏方法邱治中 Unknown Date (has links) 文獻中診斷離群值及有影響力觀察值的方法，以臻完備。本文將從貝氏觀點提出一個新的診斷方法，也就是利用誤差項事後分配的Kullback-Leibler對稱散度來做為診斷離群值及有影響力觀察值的標準。離群值殘差貝氏方法
2	羅吉斯模型中殘差分析研究趙玉梅, ZHAO,YU-MEI Unknown Date (has links) 離群值, 通常是離相同情況下產生之所有觀測值很遠的資料, 其意義可能是資料中的雜質, 也可能是特別值得研究的特殊現象, 所以離群值可使我們對問題獲得更透徹的了解, 同時離群值也是診斷資料或模型是否合適的指標。例如資料尺度恰當性, 記錄上的錯誤, 測量工具的使用不當, 都可能產生離群值, 而模型的合適性及正確性, 也必須先檢查離群值, 所以離群值的偵測是資料分析中非常重要的工作。殘差是原始值與配適值之間的差距, 故殘差對於原始資料與模型間的配適情形及資料是否合於假設, 蘊含了非常重要的資訊, 所以在偵測離群值時殘差分析扮演了重要的角色。本文主要在探討非線性模型--羅吉斯模型里殘差分析的研究, 并偵測離群值的方法及其困難的解決之道。羅吉斯模型殘差分析離群值雜質非線性模型
3	從貝氏觀點診斷離群值及具有影響力之觀察值 / Some diagnostics for outliers and influential observations from Bayesian point of view 謝季英, Shieh, Jih Ing Unknown Date (has links) 在線性迴歸分析中，資料的不適當，常導致研究者選擇了不當的模式，為避免此缺失，在分析資料前須先做好診斷工作。本文中將從貝氏觀點提出一些不同的診斷方法以供參考。首先推導出均數移動參數a=(a<sub>1</sub>,…,a<sub>k</sub>)'的事後分配，並利用a'a/k的事後均數診斷出不當資料點。接著，考慮在個別模式下以β事後分配之總變異及廣義變異為標準，診斷出離群值及具有潛在影響力之觀測值。最後，分別利用(i)β的事後分配(ii)σ<sup>2</sup>的事後分配(iii)(β,σ<sup>2</sup>)的聯合事後分配，推導出對應的對稱均方差以做為診斷標準。 / In this thesis, some different diagnostic methodologies for outliers and influential observations from Bayesian point of view are proposed. We firstly derive the marginal posterior distribution of the mean-shift parameter a=(a<sub>1</sub>,a<sub>k</sub>)<sup>1</sup>, then use the posterior mean of a<sup>1</sup>a/k to detect the spurious data items. Secondly, we use the posterior total variance and generalized variance of β as diagnostic criterions for outliers and influential observations. Finally, we utilize (i) the posterior distribution of β, (ii) the posterior distribution of σ<sup>2</sup>, and (iii) the joint posterior distribution of β, σ<sup>2</sup> to find their corresponding symmetric mean square differences , which can be used as diagnostic criterions. 貝氏離群值影響力之觀測值不正當均數移動對稱均方差 Bayesian outliers influential observations spurious mean- shift symmetric mean square difference
4	季節性時間序列之預測─類神經網路模式之探討 / Forecasting Seasonal Time Series : A Neural Network Approach 賴家瑞, Lia, Chia Jui Unknown Date (has links) 本論文主要研究以類神經網路模式預測季節性時間序列之有效性。利用適當地建構樣本訓練集,網路經訓練後可作為季節性時間序列之預測工具。文中亦提出移動學習法以期提高預測之準確度。並以台灣地區每季進口商品與勞務總值則作為實證之研究。此季節性時間序列因受離群值之影響而增加其預測困難度。實證結果顯示類神經網路模式之預測表現較傳統之統計方法優異,即使此序列受到離群值之干擾。 / We investigate the effectiveness of neural networks for predicting the future behavior of seasonal time series. Utilizing the training set constructed properly, we can train the network who can be used to predict the future of seasonal time series. A shifting-learning method is also employed in order to obtained a better forecasting performance. The quarterly imports of goods and services of Taiwan between the first quarter of 1968 and the fourth quarter of 1990 are studied in the research. The series are contaminated with outliers, which will increase the difficulty of forecasting. Empirical results exhibit that neural networks model free approach have better prediction performance than the classical Box-Jenkins approach, even the series are contaminated with outliers. 季節性時間序列神經網路移動學習法離群值預測 seasonal time series neural networks shifting learning method outliers forecasting
5	變數轉換之穩健迴歸分析張嘉璁 Unknown Date (has links) 在傳統的線性迴歸分析當中，當基本假設不滿足時，有時可考慮變數轉換使得資料能夠比較符合基本假設。在眾多的轉換方法當中，以Box和Cox(1964)所提出的乘冪轉換(Box-Cox power transformation)最為常用，乘冪轉換可將某些複雜的系統轉換成線性常態模式。然而當資料存在離群值(outlier)時，Box-Cox Transformation會受到影響，因此不是一種穩健方法。在本篇論文當中，我們利用前進演算法(forward search algorithm)求得最小消去平方估計量(Least trimmed squares estimator)，在過程當中估計出穩健的轉換參數。 Box-Cox乘冪轉換前進演算法最小中位數平方法最小消去平方法分數統計量穩健迴歸損壞點離群值 Box-Cox power transformation Forward search algorithm Least median of squares Least trimmed squares Score statistic Robust regression Breakdown point Outliers
6	模糊線性迴歸之研究趙家慶 Unknown Date (has links) 使用傳統迴歸的方式對未知事物做預測，往往不能夠精準的做出結論，縱使在相同的條件下實際去操作，也很難得到相同的結果，因此模糊數概念的建立，並運用在迴歸分析上更能有效描述預測結果的不確定性。然而模糊線性迴歸(Fuzzy Linear Regression)在利用最小平方法處理問題時，往往過於著重在模糊區間的中心與分展度上，而忽略了描述資料的模糊性，使得隸屬度函數(membership function)的功能受到相當大的限制。本文在D'Urso和Gastaldi(2000)所提出的雙重模糊線性迴歸(doubly fuzzy linear regression)模型架構下，利用Yang和Ko(1996)在LR空間下所定義模糊數間的距離公式，導出能反映隸屬度函數的最小平方估計，並引進一些傳統迴歸中常用來偵測離群值(outlier)與具影響力觀察值(influence observation)的概念與技巧，應用在模糊線性迴歸資料的偵測上。模糊線性迴歸具影響力觀察值離群值雙重模糊線性迴歸模型隸屬度函數 fuzzy linear regression influence observation outlier doubly fuzzy linear regression membership function

1

Page generated in 0.0171 seconds