Spelling suggestions: "subject:"baustatistik."" "subject:"appstatistik.""
431 |
Averaging Bayesian hierarchical models with vague priorsPorage, Chamika January 2021 (has links)
No description available.
|
432 |
Time series analysis and forecasting of the unemployment : The case of countries with different covid-19 approachesTörnqvist, Viktor January 2021 (has links)
No description available.
|
433 |
Cutting and Destroying Graphs using k-cutsLindström, Alfred Minh January 2019 (has links)
No description available.
|
434 |
Longitudinal Group Sequential TestingLanzén, Emil January 2023 (has links)
Sequential testing is used in clinical trials and online experiments to terminate trials early if there is sufficient evidence of a treatment effect, reducing the subjects’ exposure to potentially harmful treatments. However, incomplete follow-up of trial subjects can lead to biased estimation of the treatment effect. This thesis aims to evaluate the method proposed by Kittelson et al. (2005) for utilizing measurements from subjects with incomplete follow-up. The evaluation compares the proposed method with three other methods based on size-adjusted power and stopping time, using a Monte Carlo study with varying treatment effects and time point measurement correlations. The proposed method performs better in terms of size-adjusted power and can detect differences between treatment and control groups at an earlier stage than the other methods. The false positive rate observed using the proposed method is also relatively close to the intended false positive rate in all cases.
|
435 |
Near Future Predictive Power of ARIMA and RSI on Large Capital OMXS30Egly, Hampus January 2023 (has links)
No description available.
|
436 |
Skilda incitament för passivt spel i ishockey: : En jämförande analys av intensiteten i spelet i den tredje perioden mellan NHL och SHLJansson, Isa, Nilsson, Elsa January 2023 (has links)
No description available.
|
437 |
Bayesian Quantile Regression of Conditional Heteroskedastic ModelsKozlica, Haris January 2022 (has links)
No description available.
|
438 |
A comparison between logistic regression and support vector machineKielén, Martina January 2022 (has links)
No description available.
|
439 |
A simulation study of Bayesian kernel machine regression with application to environmental epidemiology studiesHassan, Ali January 2022 (has links)
No description available.
|
440 |
Application of the Ordered Lorenz Curve in the Analysis of a Non-Life Insurance Portfolio / Tillämpning av den rangordnade Lorenz kurvan vid analys av en sakförsäkringsportföljAhlberg, Fredrik January 2019 (has links)
Insurance analysts have a great variety of assessment tools at their disposal in order to ensure a healthy insurance portfolio. To describe the financial income and loss distribution of the insurance portfolio one of the more fundamental mathematical instrument is the Lorenz curve. A measure developed in the early 19th centrury by Max O. Lorenz which intended to describe a population’s income distribution in a macro perspective. By developing further on this method with guidance from the article by Frees, Meyers and Cummings, [5], a link between the Lorenz curve and the insurance portfolio’s risk segment will be investigated. By constructing an insurance rating function which determine an insurance expected loss, depending on the policyholders characteristics, ordering the premium and loss distributions by its relative loss the intent is to identify profitable blocks along the ordered Lorenz curve. With this insight an analyst can redefine the portfolio structure and highlight the desirable characteristics which define a policyholder. In order to keep up with the competition an insurer has to, in the long run, create a sustainable, profitable portfolio with lowering the risk of occurring greater insurance claims. / För dagens försäkringsanalytiker finns det en uppsjö av matematiska metoder och mått att tadel av för att utvärdera bolagens produktportföljer. För att beskriva och fundamentalt förstå hur en försäkringsportföljs premier och förlusters fördelar sig över försäkringstagare, finns ett välkänt matematiskt verktyg, utvecklat av Max O. Lorenz i början av 1900-talet, Lorenzkurvan. Ursprungligen var den framtagen för att studera, i ett makro ekonomiskt perspektiv, en stats eller en populations inkomstfördelning. Det vill säga hur jämlikt ett samhälle ansågs vara. Baserat på den grundläggande teorin bakom Lorenzkurvan och arbetet bakom den matematiska skriften av Edward W. Frees, Glenn Meyers and A. David Cummings, [5], etableras en länk mellan Lorenzkurvan och en försäkringsportföljs inkomst och utgiftsfördelningar. Detta i avsikt att identifiera lönsammare block och hitta försäkringar vars underliggande karaktärer indikerar högre risker. Med hjälp av klassisk regression kan försäkringarna värderas efter deras potentiella förlust, premie och förlust fördelningen sorteras efter en relativ förlust, för att ta fram en rankad Lorenzkurva. Detta för att koppla den underliggande informationen från försäkringstagaren till dess relativa finansiella prestation. Att hitta segment i portföljen som visar potentiellt större lönsamhet och lägre risk är något en analytiker ständigt bör eftersträva för att hålla jämna steg med konkurrensen på marknaden och utöka sin portfölj med en strategi som bygger på väl underliggande teori.
|
Page generated in 0.0684 seconds