{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318974"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318974","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μέθοδοι Markov Chain Monte Carlo σε Μοντέλα Ποσοστημοριακής Παλινδρόμησης","abstract":"Η κλασσική ανάλυση παλινδρόμησης είναι η πλέον γνωστή τεχνική για να μοντελοποιήσουμε τη μέση συμπεριφορά μίας εξαρτημένης μεταβλητής, δοθέντων άλλων ανεξάρτητων μεταβλητών που την επηρεάζουν. Ωστόσο, πολλές φορές έχει ενδιαφέρον να μελετήσουμε την επιρροή αυτή σε όλο το εύρος της κατανομής της εξαρτημένης μεταβλητής και όχι μόνο στη μέση της τιμή. Την απάντηση στο ερώτημα αυτό δίνει η ποσοστημοριακή παλινδρόμηση. Τα τελευταία χρόνια η Μπεϋζιανήσυμπερασματολογία σε ποσοστημοριακά μοντέλα είναι αρκετά δημοφιλής. Η μέθοδος αυτή έχει ορισμένα βασικά πλεονεκτήματα έναντι της κλασσικής ποσοστημοριακής παλινδρόμησης. Ένα από αυτά είναι ότι λαμβάνεται υπόψη η αβεβαιότητα των άγνωστων παραμέτρων. Τέλος ένα πρόβλημα που αρκετές φορές αντιμετωπίζουμε είναι η επιλογή των κατάλληλων ανεξάρτητων μεταβλητών που θα χρησιμοποιηθούν στο μοντέλο. Όταν στη διάθεση μας έχουμε στοιχεία από πολλές ανεξάρτητες μεταβλητές δε σημαίνει ότι κατά ανάγκη στο τελικό μοντέλο θα πρέπει να χρησιμοποιηθούν όλες αυτές. Μία αρκετά διαδεδομένη μέθοδος για την επιλογή αυτή είναι η επιλογή μεταβλητών μέσω στοχαστικής διερεύνησης (StochasticSearchVariableSelection, SSVS). Στόχος της διπλωματικής εργασίας είναι (α) η παρουσίαση της κλασσικής ποσοστημοριακής παλινδρόμησης, (β) η παρουσίαση της Μπεϋζιανής ανάλυσης σε μοντέλα ποσοστημοριακής παλινδρόμησης και (γ) η επιλογή μεταβλητών μέσω της μεθόδου SSVS σε μοντέλα ποσοστημοριακής παλινδρόμησης","abstract_html":"Η κλασσική ανάλυση παλινδρόμησης είναι η πλέον γνωστή τεχνική για να μοντελοποιήσουμε τη μέση συμπεριφορά μίας εξαρτημένης μεταβλητής, δοθέντων άλλων ανεξάρτητων μεταβλητών που την επηρεάζουν. Ωστόσο, πολλές φορές έχει ενδιαφέρον να μελετήσουμε την επιρροή αυτή σε όλο το εύρος της κατανομής της εξαρτημένης μεταβλητής και όχι μόνο στη μέση της τιμή. Την απάντηση στο ερώτημα αυτό δίνει η ποσοστημοριακή παλινδρόμηση. Τα τελευταία χρόνια η Μπεϋζιανήσυμπερασματολογία σε ποσοστημοριακά μοντέλα είναι αρκετά δημοφιλής. Η μέθοδος αυτή έχει ορισμένα βασικά πλεονεκτήματα έναντι της κλασσικής ποσοστημοριακής παλινδρόμησης. Ένα από αυτά είναι ότι λαμβάνεται υπόψη η αβεβαιότητα των άγνωστων παραμέτρων. Τέλος ένα πρόβλημα που αρκετές φορές αντιμετωπίζουμε είναι η επιλογή των κατάλληλων ανεξάρτητων μεταβλητών που θα χρησιμοποιηθούν στο μοντέλο. Όταν στη διάθεση μας έχουμε στοιχεία από πολλές ανεξάρτητες μεταβλητές δε σημαίνει ότι κατά ανάγκη στο τελικό μοντέλο θα πρέπει να χρησιμοποιηθούν όλες αυτές. Μία αρκετά διαδεδομένη μέθοδος για την επιλογή αυτή είναι η επιλογή μεταβλητών μέσω στοχαστικής διερεύνησης (StochasticSearchVariableSelection, SSVS). Στόχος της διπλωματικής εργασίας είναι (α) η παρουσίαση της κλασσικής ποσοστημοριακής παλινδρόμησης, (β) η παρουσίαση της Μπεϋζιανής ανάλυσης σε μοντέλα ποσοστημοριακής παλινδρόμησης και (γ) η επιλογή μεταβλητών μέσω της μεθόδου SSVS σε μοντέλα ποσοστημοριακής παλινδρόμησης","abstract_has_math":false,"creators":["Λαμπρινάκου Φιόρη"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2012,"date_issued":"2012","date_published":"2012","updated_at":"2026-11-19T05:25:33Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318974"],"render_values":[{"text":"uoadl:1318974","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318974","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318974","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1318974","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λαμπρινάκου Φιόρη"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2012"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318974","https://pergamos.lib.uoa.gr/uoa/dl/object/1318974"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η κλασσική ανάλυση παλινδρόμησης είναι η πλέον γνωστή τεχνική για να μοντελοποιήσουμε τη μέση συμπεριφορά μίας εξαρτημένης μεταβλητής, δοθέντων άλλων ανεξάρτητων μεταβλητών που την επηρεάζουν. Ωστόσο, πολλές φορές έχει ενδιαφέρον να μελετήσουμε την επιρροή αυτή σε όλο το εύρος της κατανομής της εξαρτημένης μεταβλητής και όχι μόνο στη μέση της τιμή. Την απάντηση στο ερώτημα αυτό δίνει η ποσοστημοριακή παλινδρόμηση. Τα τελευταία χρόνια η Μπεϋζιανήσυμπερασματολογία σε ποσοστημοριακά μοντέλα είναι αρκετά δημοφιλής. Η μέθοδος αυτή έχει ορισμένα βασικά πλεονεκτήματα έναντι της κλασσικής ποσοστημοριακής παλινδρόμησης. Ένα από αυτά είναι ότι λαμβάνεται υπόψη η αβεβαιότητα των άγνωστων παραμέτρων. Τέλος ένα πρόβλημα που αρκετές φορές αντιμετωπίζουμε είναι η επιλογή των κατάλληλων ανεξάρτητων μεταβλητών που θα χρησιμοποιηθούν στο μοντέλο. Όταν στη διάθεση μας έχουμε στοιχεία από πολλές ανεξάρτητες μεταβλητές δε σημαίνει ότι κατά ανάγκη στο τελικό μοντέλο θα πρέπει να χρησιμοποιηθούν όλες αυτές. Μία αρκετά διαδεδομένη μέθοδος για την επιλογή αυτή είναι η επιλογή μεταβλητών μέσω στοχαστικής διερεύνησης (StochasticSearchVariableSelection, SSVS). Στόχος της διπλωματικής εργασίας είναι (α) η παρουσίαση της κλασσικής ποσοστημοριακής παλινδρόμησης, (β) η παρουσίαση της Μπεϋζιανής ανάλυσης σε μοντέλα ποσοστημοριακής παλινδρόμησης και (γ) η επιλογή μεταβλητών μέσω της μεθόδου SSVS σε μοντέλα ποσοστημοριακής παλινδρόμησης","Regression analysis is the most prevalent technique in studying the mean behavior of a dependent variable, given other independent variables which affect it. However, it is often interesting to investigate this correlation throughout the whole range of the dependent variable's distribution rather than just on its mean. The answer to this question is given by quantile regression. Bayesian approach to quantile regression is another current area that has attracted intense interest, as it appears to have some advantages over classical inference.One of these is that it provides estimation and forecasts, which fully take into account parameter uncertainty. Finally a problem that we often face is the selection of appropriate independent variables that will be used in the model. When we have data from several independent variables it is not necessary that all of them will be used in the final model. A quite common method in selecting appropriate variables is the Stochastic Search Variable Selection (SSVS). The aim of this master thesis is (a) the presentation of classical quantile regression (b) the presentation of Bayesian analysis in quantile regression models and (c) the selection of variables using the SSVS method in quantile regression models"]},{"key":"dc:title","label":"Title","values":["Μέθοδοι Markov Chain Monte Carlo σε Μοντέλα Ποσοστημοριακής Παλινδρόμησης"]}]}],"canonical_facts":{"dc:creator":["Λαμπρινάκου Φιόρη"],"dc:date":["2012"],"dc:description":["Η κλασσική ανάλυση παλινδρόμησης είναι η πλέον γνωστή τεχνική για να μοντελοποιήσουμε τη μέση συμπεριφορά μίας εξαρτημένης μεταβλητής, δοθέντων άλλων ανεξάρτητων μεταβλητών που την επηρεάζουν. Ωστόσο, πολλές φορές έχει ενδιαφέρον να μελετήσουμε την επιρροή αυτή σε όλο το εύρος της κατανομής της εξαρτημένης μεταβλητής και όχι μόνο στη μέση της τιμή. Την απάντηση στο ερώτημα αυτό δίνει η ποσοστημοριακή παλινδρόμηση. Τα τελευταία χρόνια η Μπεϋζιανήσυμπερασματολογία σε ποσοστημοριακά μοντέλα είναι αρκετά δημοφιλής. Η μέθοδος αυτή έχει ορισμένα βασικά πλεονεκτήματα έναντι της κλασσικής ποσοστημοριακής παλινδρόμησης. Ένα από αυτά είναι ότι λαμβάνεται υπόψη η αβεβαιότητα των άγνωστων παραμέτρων. Τέλος ένα πρόβλημα που αρκετές φορές αντιμετωπίζουμε είναι η επιλογή των κατάλληλων ανεξάρτητων μεταβλητών που θα χρησιμοποιηθούν στο μοντέλο. Όταν στη διάθεση μας έχουμε στοιχεία από πολλές ανεξάρτητες μεταβλητές δε σημαίνει ότι κατά ανάγκη στο τελικό μοντέλο θα πρέπει να χρησιμοποιηθούν όλες αυτές. Μία αρκετά διαδεδομένη μέθοδος για την επιλογή αυτή είναι η επιλογή μεταβλητών μέσω στοχαστικής διερεύνησης (StochasticSearchVariableSelection, SSVS). Στόχος της διπλωματικής εργασίας είναι (α) η παρουσίαση της κλασσικής ποσοστημοριακής παλινδρόμησης, (β) η παρουσίαση της Μπεϋζιανής ανάλυσης σε μοντέλα ποσοστημοριακής παλινδρόμησης και (γ) η επιλογή μεταβλητών μέσω της μεθόδου SSVS σε μοντέλα ποσοστημοριακής παλινδρόμησης","Regression analysis is the most prevalent technique in studying the mean behavior of a dependent variable, given other independent variables which affect it. However, it is often interesting to investigate this correlation throughout the whole range of the dependent variable's distribution rather than just on its mean. The answer to this question is given by quantile regression. Bayesian approach to quantile regression is another current area that has attracted intense interest, as it appears to have some advantages over classical inference.One of these is that it provides estimation and forecasts, which fully take into account parameter uncertainty. Finally a problem that we often face is the selection of appropriate independent variables that will be used in the model. When we have data from several independent variables it is not necessary that all of them will be used in the final model. A quite common method in selecting appropriate variables is the Stochastic Search Variable Selection (SSVS). The aim of this master thesis is (a) the presentation of classical quantile regression (b) the presentation of Bayesian analysis in quantile regression models and (c) the selection of variables using the SSVS method in quantile regression models"],"dc:identifier":["uoadl:1318974","https://pergamos.lib.uoa.gr/uoa/dl/object/1318974"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μέθοδοι Markov Chain Monte Carlo σε Μοντέλα Ποσοστημοριακής Παλινδρόμησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:33Z"}