{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2775098"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2775098","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Classical and Bayesian Inference for Threshold Regression Models","abstract":"Η παρούσα διπλωματική εργασία πραγματεύεται την Κλασσική και Μπεϋζιανή θεωρία για το Μοντέλο Παλινδρόμησης με μια ή δυο μεταβλητές τύπου κατωφλίου (threshold). Τα Threshold Μοντέλα Παλινδρόμησης χρησιμοποιούνται σε μια πληθώρα εφαρμογών, κυρίως στον κλάδο της Οικονομετρίας, και ανήκουν στην ευρύτερη οικογένεια μοντέλων παλινδρόμησης με δομικές αλλαγές που εισήγαγε ο Quandt (1960). Στη βιβλιογραφία το ενδιαφέρον εστιάζεται συνήθως στα \"μη συνεχή\" Threshold Μοντέλα Παλινδρόμησης, λόγω της μη κανονικής ασυμπτωτικής κατανομής των στατιστικών συναρτήσεων που εμπεριέχουν τις παραμέτρους. Εδώ θα ασχοληθούμε, μεταξύ άλλων, και με την περίπτωση αυτή τόσο σε θεωρητικό αλλά και σε πρακτικό επίπεδο. Στα Μοντέλα Παλινδρόμησης το ενδιαφέρον επικεντρώνεται στην εκτίμηση των παραμέτρων, καθώς και στην ασυμπτωτική κατανομή στατιστικών συναρτήσεων που τις εμπεριέχουν. Απώτερος σκοπός είναι η κατασκευή διαστημάτων εμπιστοσύνης και ο έλεγχος υποθέσεων σχετικά με τη στατιστική σημαντικότητα κάθε παραμέτρου. Από την πλευρά της Μπεϋζιανής θεωρίας, κυρίαρχο ρόλο παίζει ο ορισμός των εκ των προτέρων (prior) κατανομών, δεδομένης της δοθείσας πληροφορίας, με σκοπό την εύρεση των εκ των υστέρων (posterior) κατανομών. Η εύρεση των posterior κατανομών είναι ένα σύνθετο πρόβλημα καθώς αυξάνει το πλήθος των παραμέτρων του μοντέλου και απαιτεί τον υπολογισμό σύνθετων ολοκληρωμάτων ή τη χρήση αλγορίθμων προσομοίωσης όταν αυτό δεν είναι εφικτό. Τέτοιοι αλγόριθμοι είναι οι Markov Chain Monte Carlo (MCMC) αλγόριθμοι και μια ειδική περίπτωση αυτών, ο δειγματολήπτης Gibbs (Gibbs sampler). ΄Ολες αυτές οι μέθοδοι παρουσιάζονται αναλυτικά στην παρούσα διπλωματική εργασία και καλύπτουν ένα ευρύ φάσμα μοντέλων παλινδρόμησης. Παρ’ ότι η εκτίμηση ενός μοντέλου είναι ο βασικός στόχος ενός στατιστικού, αυτό που προηγείται είναι η εύρεση του κατάλληλου μοντέλου για ένα δοθέν δείγμα. Η σύγκριση μοντέλων είναι λοιπόν το πρώτο βήμα που πρέπει να ακολουθήσει κανείς προκειμένου η συμπερασματολογία να είναι ολοκληρωμένη και ακριβής. Πρόκειται ουσαστικά για έναν έλεγχο υποθέσεων ο οποίος υποδεικνύει τη σχέση που περιγράφει καλύτερα τη σύνδεση της εξαρτημένης μεταβλητής με τις επεξηγηματικές, δηλαδή το είδος του μοντέλου. Τέτοιοι έλεγχοι πραγματοποιούνται από την πλευρά της Κλασσικής θεωρίας με τη χρήση κατάλληλων στατιστικών συναρτήσεων, όπως είναι το LR στατιστικό μέτρο, και από την πλευρά της Μπεϋζιανής θεωρίας με τον υπολογισμό της εκ των υστέρων πιθανότητας για κάθε μοντέλο. ΄Εχοντας καταλήξει λοιπόν, με τον ένα ή τον άλλο τρόπο, στο πιο κατάλληλο μοντέλο, τότε συνεχίζει κανείς με την ανάλυση και τη συμπερασματολογία για τις παραμέτρους του.","abstract_html":"Η παρούσα διπλωματική εργασία πραγματεύεται την Κλασσική και Μπεϋζιανή θεωρία για το Μοντέλο Παλινδρόμησης με μια ή δυο μεταβλητές τύπου κατωφλίου (threshold). Τα Threshold Μοντέλα Παλινδρόμησης χρησιμοποιούνται σε μια πληθώρα εφαρμογών, κυρίως στον κλάδο της Οικονομετρίας, και ανήκουν στην ευρύτερη οικογένεια μοντέλων παλινδρόμησης με δομικές αλλαγές που εισήγαγε ο Quandt (1960). Στη βιβλιογραφία το ενδιαφέρον εστιάζεται συνήθως στα &quot;μη συνεχή&quot; Threshold Μοντέλα Παλινδρόμησης, λόγω της μη κανονικής ασυμπτωτικής κατανομής των στατιστικών συναρτήσεων που εμπεριέχουν τις παραμέτρους. Εδώ θα ασχοληθούμε, μεταξύ άλλων, και με την περίπτωση αυτή τόσο σε θεωρητικό αλλά και σε πρακτικό επίπεδο. Στα Μοντέλα Παλινδρόμησης το ενδιαφέρον επικεντρώνεται στην εκτίμηση των παραμέτρων, καθώς και στην ασυμπτωτική κατανομή στατιστικών συναρτήσεων που τις εμπεριέχουν. Απώτερος σκοπός είναι η κατασκευή διαστημάτων εμπιστοσύνης και ο έλεγχος υποθέσεων σχετικά με τη στατιστική σημαντικότητα κάθε παραμέτρου. Από την πλευρά της Μπεϋζιανής θεωρίας, κυρίαρχο ρόλο παίζει ο ορισμός των εκ των προτέρων (prior) κατανομών, δεδομένης της δοθείσας πληροφορίας, με σκοπό την εύρεση των εκ των υστέρων (posterior) κατανομών. Η εύρεση των posterior κατανομών είναι ένα σύνθετο πρόβλημα καθώς αυξάνει το πλήθος των παραμέτρων του μοντέλου και απαιτεί τον υπολογισμό σύνθετων ολοκληρωμάτων ή τη χρήση αλγορίθμων προσομοίωσης όταν αυτό δεν είναι εφικτό. Τέτοιοι αλγόριθμοι είναι οι Markov Chain Monte Carlo (MCMC) αλγόριθμοι και μια ειδική περίπτωση αυτών, ο δειγματολήπτης Gibbs (Gibbs sampler). ΄Ολες αυτές οι μέθοδοι παρουσιάζονται αναλυτικά στην παρούσα διπλωματική εργασία και καλύπτουν ένα ευρύ φάσμα μοντέλων παλινδρόμησης. Παρ’ ότι η εκτίμηση ενός μοντέλου είναι ο βασικός στόχος ενός στατιστικού, αυτό που προηγείται είναι η εύρεση του κατάλληλου μοντέλου για ένα δοθέν δείγμα. Η σύγκριση μοντέλων είναι λοιπόν το πρώτο βήμα που πρέπει να ακολουθήσει κανείς προκειμένου η συμπερασματολογία να είναι ολοκληρωμένη και ακριβής. Πρόκειται ουσαστικά για έναν έλεγχο υποθέσεων ο οποίος υποδεικνύει τη σχέση που περιγράφει καλύτερα τη σύνδεση της εξαρτημένης μεταβλητής με τις επεξηγηματικές, δηλαδή το είδος του μοντέλου. Τέτοιοι έλεγχοι πραγματοποιούνται από την πλευρά της Κλασσικής θεωρίας με τη χρήση κατάλληλων στατιστικών συναρτήσεων, όπως είναι το LR στατιστικό μέτρο, και από την πλευρά της Μπεϋζιανής θεωρίας με τον υπολογισμό της εκ των υστέρων πιθανότητας για κάθε μοντέλο. ΄Εχοντας καταλήξει λοιπόν, με τον ένα ή τον άλλο τρόπο, στο πιο κατάλληλο μοντέλο, τότε συνεχίζει κανείς με την ανάλυση και τη συμπερασματολογία για τις παραμέτρους του.","abstract_has_math":false,"creators":["Μπαλτούκα Μαρία","Baltouka Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:31:31Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2775098"],"render_values":[{"text":"uoadl:2775098","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2775098","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2775098","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%3A2775098","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπαλτούκα Μαρία","Baltouka Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2775098","https://pergamos.lib.uoa.gr/uoa/dl/object/2775098"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία πραγματεύεται την Κλασσική και Μπεϋζιανή θεωρία για το Μοντέλο Παλινδρόμησης με μια ή δυο μεταβλητές τύπου κατωφλίου (threshold). Τα Threshold Μοντέλα Παλινδρόμησης χρησιμοποιούνται σε μια πληθώρα εφαρμογών, κυρίως στον κλάδο της Οικονομετρίας, και ανήκουν στην ευρύτερη οικογένεια μοντέλων παλινδρόμησης με δομικές αλλαγές που εισήγαγε ο Quandt (1960). Στη βιβλιογραφία το ενδιαφέρον εστιάζεται συνήθως στα \"μη συνεχή\" Threshold Μοντέλα Παλινδρόμησης, λόγω της μη κανονικής ασυμπτωτικής κατανομής των στατιστικών συναρτήσεων που εμπεριέχουν τις παραμέτρους. Εδώ θα ασχοληθούμε, μεταξύ άλλων, και με την περίπτωση αυτή τόσο σε θεωρητικό αλλά και σε πρακτικό επίπεδο. Στα Μοντέλα Παλινδρόμησης το ενδιαφέρον επικεντρώνεται στην εκτίμηση των παραμέτρων, καθώς και στην ασυμπτωτική κατανομή στατιστικών συναρτήσεων που τις εμπεριέχουν. Απώτερος σκοπός είναι η κατασκευή διαστημάτων εμπιστοσύνης και ο έλεγχος υποθέσεων σχετικά με τη στατιστική σημαντικότητα κάθε παραμέτρου. Από την πλευρά της Μπεϋζιανής θεωρίας, κυρίαρχο ρόλο παίζει ο ορισμός των εκ των προτέρων (prior) κατανομών, δεδομένης της δοθείσας πληροφορίας, με σκοπό την εύρεση των εκ των υστέρων (posterior) κατανομών. Η εύρεση των posterior κατανομών είναι ένα σύνθετο πρόβλημα καθώς αυξάνει το πλήθος των παραμέτρων του μοντέλου και απαιτεί τον υπολογισμό σύνθετων ολοκληρωμάτων ή τη χρήση αλγορίθμων προσομοίωσης όταν αυτό δεν είναι εφικτό. Τέτοιοι αλγόριθμοι είναι οι Markov Chain Monte Carlo (MCMC) αλγόριθμοι και μια ειδική περίπτωση αυτών, ο δειγματολήπτης Gibbs (Gibbs sampler). ΄Ολες αυτές οι μέθοδοι παρουσιάζονται αναλυτικά στην παρούσα διπλωματική εργασία και καλύπτουν ένα ευρύ φάσμα μοντέλων παλινδρόμησης. Παρ’ ότι η εκτίμηση ενός μοντέλου είναι ο βασικός στόχος ενός στατιστικού, αυτό που προηγείται είναι η εύρεση του κατάλληλου μοντέλου για ένα δοθέν δείγμα. Η σύγκριση μοντέλων είναι λοιπόν το πρώτο βήμα που πρέπει να ακολουθήσει κανείς προκειμένου η συμπερασματολογία να είναι ολοκληρωμένη και ακριβής. Πρόκειται ουσαστικά για έναν έλεγχο υποθέσεων ο οποίος υποδεικνύει τη σχέση που περιγράφει καλύτερα τη σύνδεση της εξαρτημένης μεταβλητής με τις επεξηγηματικές, δηλαδή το είδος του μοντέλου. Τέτοιοι έλεγχοι πραγματοποιούνται από την πλευρά της Κλασσικής θεωρίας με τη χρήση κατάλληλων στατιστικών συναρτήσεων, όπως είναι το LR στατιστικό μέτρο, και από την πλευρά της Μπεϋζιανής θεωρίας με τον υπολογισμό της εκ των υστέρων πιθανότητας για κάθε μοντέλο. ΄Εχοντας καταλήξει λοιπόν, με τον ένα ή τον άλλο τρόπο, στο πιο κατάλληλο μοντέλο, τότε συνεχίζει κανείς με την ανάλυση και τη συμπερασματολογία για τις παραμέτρους του.","This dissertation is concerned with Classical and Bayesian theory for the threshold regression model with one or two threshold variables. Threshold regression models have a wide variety of applications, mainly in the field of econometrics, and belong to the family of regression models with structural breaks that were introduced by Quandt (1960). In the literature most of the interest is focused on the discontinuous Threshold Regression Models, because of the non-standard asymptotic distribution of the statistical functions of the threshold parameters. Among others, we will examine this particular issue not only in theoretical but also in a more applied level. Estimating the model parameters and obtaining asymptotic distributions of the respective estimators concentrates most of the interest in the area of Regression Analysis. The main goal is the construction of confidence intervals and hypotheses testing regarding the significance of each parameter. From the scope of Bayesian analysis, it is of great importance to take advantage of all the available information in order to define the prior distribution and finally get the posterior. The computation of the posterior distribution is a procedure that becomes more complex as the number of parameters increases, since it demands the calculation of composite integrals and the utilization of simulation techniques when the former is not applicable. Such methods are the Markov Chain Monte Carlo (MCMC) algorithms and a special case of them, the Gibb's sampler. All these methods are presented extensively in this dissertation and cover a wide variety of regression models. Although the estimation of a model's parameters is the primary objective for a statistician, the selection of the most appropriate model for a given dataset comes first. Therefore, model comparison is the first step that one needs to do for precise and complete inference results. In essence, this is a hypotheses test that concerns the kind of relationship between the dependent variable and the explanatories, namely the type of model. Such tests are accomplished from the scope of Classical theory by using appropriate statistical tools, such as the LR statistic, and from the scope of Bayesian theory with the computation of each model's posterior probability. Having selected, either way, the most appropriate model, shall one proceed to statistical inference regarding its parameters."]},{"key":"dc:title","label":"Title","values":["Classical and Bayesian Inference for Threshold Regression Models"]}]}],"canonical_facts":{"dc:creator":["Μπαλτούκα Μαρία","Baltouka Maria"],"dc:date":["2018"],"dc:description":["Η παρούσα διπλωματική εργασία πραγματεύεται την Κλασσική και Μπεϋζιανή θεωρία για το Μοντέλο Παλινδρόμησης με μια ή δυο μεταβλητές τύπου κατωφλίου (threshold). Τα Threshold Μοντέλα Παλινδρόμησης χρησιμοποιούνται σε μια πληθώρα εφαρμογών, κυρίως στον κλάδο της Οικονομετρίας, και ανήκουν στην ευρύτερη οικογένεια μοντέλων παλινδρόμησης με δομικές αλλαγές που εισήγαγε ο Quandt (1960). Στη βιβλιογραφία το ενδιαφέρον εστιάζεται συνήθως στα \"μη συνεχή\" Threshold Μοντέλα Παλινδρόμησης, λόγω της μη κανονικής ασυμπτωτικής κατανομής των στατιστικών συναρτήσεων που εμπεριέχουν τις παραμέτρους. Εδώ θα ασχοληθούμε, μεταξύ άλλων, και με την περίπτωση αυτή τόσο σε θεωρητικό αλλά και σε πρακτικό επίπεδο. Στα Μοντέλα Παλινδρόμησης το ενδιαφέρον επικεντρώνεται στην εκτίμηση των παραμέτρων, καθώς και στην ασυμπτωτική κατανομή στατιστικών συναρτήσεων που τις εμπεριέχουν. Απώτερος σκοπός είναι η κατασκευή διαστημάτων εμπιστοσύνης και ο έλεγχος υποθέσεων σχετικά με τη στατιστική σημαντικότητα κάθε παραμέτρου. Από την πλευρά της Μπεϋζιανής θεωρίας, κυρίαρχο ρόλο παίζει ο ορισμός των εκ των προτέρων (prior) κατανομών, δεδομένης της δοθείσας πληροφορίας, με σκοπό την εύρεση των εκ των υστέρων (posterior) κατανομών. Η εύρεση των posterior κατανομών είναι ένα σύνθετο πρόβλημα καθώς αυξάνει το πλήθος των παραμέτρων του μοντέλου και απαιτεί τον υπολογισμό σύνθετων ολοκληρωμάτων ή τη χρήση αλγορίθμων προσομοίωσης όταν αυτό δεν είναι εφικτό. Τέτοιοι αλγόριθμοι είναι οι Markov Chain Monte Carlo (MCMC) αλγόριθμοι και μια ειδική περίπτωση αυτών, ο δειγματολήπτης Gibbs (Gibbs sampler). ΄Ολες αυτές οι μέθοδοι παρουσιάζονται αναλυτικά στην παρούσα διπλωματική εργασία και καλύπτουν ένα ευρύ φάσμα μοντέλων παλινδρόμησης. Παρ’ ότι η εκτίμηση ενός μοντέλου είναι ο βασικός στόχος ενός στατιστικού, αυτό που προηγείται είναι η εύρεση του κατάλληλου μοντέλου για ένα δοθέν δείγμα. Η σύγκριση μοντέλων είναι λοιπόν το πρώτο βήμα που πρέπει να ακολουθήσει κανείς προκειμένου η συμπερασματολογία να είναι ολοκληρωμένη και ακριβής. Πρόκειται ουσαστικά για έναν έλεγχο υποθέσεων ο οποίος υποδεικνύει τη σχέση που περιγράφει καλύτερα τη σύνδεση της εξαρτημένης μεταβλητής με τις επεξηγηματικές, δηλαδή το είδος του μοντέλου. Τέτοιοι έλεγχοι πραγματοποιούνται από την πλευρά της Κλασσικής θεωρίας με τη χρήση κατάλληλων στατιστικών συναρτήσεων, όπως είναι το LR στατιστικό μέτρο, και από την πλευρά της Μπεϋζιανής θεωρίας με τον υπολογισμό της εκ των υστέρων πιθανότητας για κάθε μοντέλο. ΄Εχοντας καταλήξει λοιπόν, με τον ένα ή τον άλλο τρόπο, στο πιο κατάλληλο μοντέλο, τότε συνεχίζει κανείς με την ανάλυση και τη συμπερασματολογία για τις παραμέτρους του.","This dissertation is concerned with Classical and Bayesian theory for the threshold regression model with one or two threshold variables. Threshold regression models have a wide variety of applications, mainly in the field of econometrics, and belong to the family of regression models with structural breaks that were introduced by Quandt (1960). In the literature most of the interest is focused on the discontinuous Threshold Regression Models, because of the non-standard asymptotic distribution of the statistical functions of the threshold parameters. Among others, we will examine this particular issue not only in theoretical but also in a more applied level. Estimating the model parameters and obtaining asymptotic distributions of the respective estimators concentrates most of the interest in the area of Regression Analysis. The main goal is the construction of confidence intervals and hypotheses testing regarding the significance of each parameter. From the scope of Bayesian analysis, it is of great importance to take advantage of all the available information in order to define the prior distribution and finally get the posterior. The computation of the posterior distribution is a procedure that becomes more complex as the number of parameters increases, since it demands the calculation of composite integrals and the utilization of simulation techniques when the former is not applicable. Such methods are the Markov Chain Monte Carlo (MCMC) algorithms and a special case of them, the Gibb's sampler. All these methods are presented extensively in this dissertation and cover a wide variety of regression models. Although the estimation of a model's parameters is the primary objective for a statistician, the selection of the most appropriate model for a given dataset comes first. Therefore, model comparison is the first step that one needs to do for precise and complete inference results. In essence, this is a hypotheses test that concerns the kind of relationship between the dependent variable and the explanatories, namely the type of model. Such tests are accomplished from the scope of Classical theory by using appropriate statistical tools, such as the LR statistic, and from the scope of Bayesian theory with the computation of each model's posterior probability. Having selected, either way, the most appropriate model, shall one proceed to statistical inference regarding its parameters."],"dc:identifier":["uoadl:2775098","https://pergamos.lib.uoa.gr/uoa/dl/object/2775098"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Classical and Bayesian Inference for Threshold Regression Models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:31:31Z"}