{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2796431"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2796431","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Predictive Regressions: Variable Selection and the Complete Subset Approach","abstract":"Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του περιορισμού του σφάλματος εκτίμησης για τις περιπτώσεις προβλέψεων όπου εμπλέκονται πολλές επεξηγηματικές μεταβλητές. Ενώ στις περιπτώσεις όπου οι ανεξάρτητες μεταβλητές είναι λίγες σε αριθμό είναι δυνατή η εφαρμογή οποιασδήποτε στρατηγικής που λαμβάνει υπόψη το σύνολο των μεταβλητών, όταν αυτός ο αριθμός μεγαλώσει (ή ισοδύναμα το μέγεθος του δείγματος είναι σχετικά μικρό), καθίσταται σημαντικός ο περιορισμός του αριθμού των παραμέτρων, ώστε να μειωθεί η επίδραση του εκτιμητικού σφάλματος. Σε αντίθετη περίπτωση, η ανάλυση μπορεί να καταστεί από χρονοβόρα έως και αδύνατη. Η μέθοδος Complete Subset Regression είναι μία απλή και ισχυρή μέθοδος/τεχνική συνδυασμού προβλέψεων, που πρώτοι παρουσίασαν οι Elliott et al. (2013). Συγκεκριμένα, διαθέτοντας ένα δεδομένο σύνολο πιθανών επεξηγηματικών μεταβλητών, συνδυάζονται οι προβλέψεις από κάθε υποσύνολο μοντέλων γραμμικής παλινδρόμησης το οποίο έχει σταθερό αριθμό μεταβλητών. Αυτή η μέθοδος προσιδιάζει σε μία περίπλοκη εκδοχή συρρίκνωσης, η οποία όμως εν γένει δεν περιορίζεται στη συρρίκνωση των εκτιμητών ελαχίστων τετραγώνων, συντελεστή προς συντελεστή. Πέρα από την προφανή εξοικονόμηση υπολογιστικού φόρτου, οι συνδυασμοί των πλήρων υποσυνόλων παλινδρόμησης μπορούν να οδηγήσουν σε ακριβείς προβλέψεις, συγκρίσιμες με άλλες καθιερωμένες μεθόδους.","abstract_html":"Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του περιορισμού του σφάλματος εκτίμησης για τις περιπτώσεις προβλέψεων όπου εμπλέκονται πολλές επεξηγηματικές μεταβλητές. Ενώ στις περιπτώσεις όπου οι ανεξάρτητες μεταβλητές είναι λίγες σε αριθμό είναι δυνατή η εφαρμογή οποιασδήποτε στρατηγικής που λαμβάνει υπόψη το σύνολο των μεταβλητών, όταν αυτός ο αριθμός μεγαλώσει (ή ισοδύναμα το μέγεθος του δείγματος είναι σχετικά μικρό), καθίσταται σημαντικός ο περιορισμός του αριθμού των παραμέτρων, ώστε να μειωθεί η επίδραση του εκτιμητικού σφάλματος. Σε αντίθετη περίπτωση, η ανάλυση μπορεί να καταστεί από χρονοβόρα έως και αδύνατη. Η μέθοδος Complete Subset Regression είναι μία απλή και ισχυρή μέθοδος/τεχνική συνδυασμού προβλέψεων, που πρώτοι παρουσίασαν οι Elliott et al. (2013). Συγκεκριμένα, διαθέτοντας ένα δεδομένο σύνολο πιθανών επεξηγηματικών μεταβλητών, συνδυάζονται οι προβλέψεις από κάθε υποσύνολο μοντέλων γραμμικής παλινδρόμησης το οποίο έχει σταθερό αριθμό μεταβλητών. Αυτή η μέθοδος προσιδιάζει σε μία περίπλοκη εκδοχή συρρίκνωσης, η οποία όμως εν γένει δεν περιορίζεται στη συρρίκνωση των εκτιμητών ελαχίστων τετραγώνων, συντελεστή προς συντελεστή. Πέρα από την προφανή εξοικονόμηση υπολογιστικού φόρτου, οι συνδυασμοί των πλήρων υποσυνόλων παλινδρόμησης μπορούν να οδηγήσουν σε ακριβείς προβλέψεις, συγκρίσιμες με άλλες καθιερωμένες μεθόδους.","abstract_has_math":false,"creators":["Καραμπατέας Αλέξανδρος","Karabateas Alexandros"],"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":"2026-11-19T05:32:03Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2796431"],"render_values":[{"text":"uoadl:2796431","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2796431","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2796431","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%3A2796431","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καραμπατέας Αλέξανδρος","Karabateas Alexandros"]}]},{"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:2796431","https://pergamos.lib.uoa.gr/uoa/dl/object/2796431"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του περιορισμού του σφάλματος εκτίμησης για τις περιπτώσεις προβλέψεων όπου εμπλέκονται πολλές επεξηγηματικές μεταβλητές. Ενώ στις περιπτώσεις όπου οι ανεξάρτητες μεταβλητές είναι λίγες σε αριθμό είναι δυνατή η εφαρμογή οποιασδήποτε στρατηγικής που λαμβάνει υπόψη το σύνολο των μεταβλητών, όταν αυτός ο αριθμός μεγαλώσει (ή ισοδύναμα το μέγεθος του δείγματος είναι σχετικά μικρό), καθίσταται σημαντικός ο περιορισμός του αριθμού των παραμέτρων, ώστε να μειωθεί η επίδραση του εκτιμητικού σφάλματος. Σε αντίθετη περίπτωση, η ανάλυση μπορεί να καταστεί από χρονοβόρα έως και αδύνατη. Η μέθοδος Complete Subset Regression είναι μία απλή και ισχυρή μέθοδος/τεχνική συνδυασμού προβλέψεων, που πρώτοι παρουσίασαν οι Elliott et al. (2013). Συγκεκριμένα, διαθέτοντας ένα δεδομένο σύνολο πιθανών επεξηγηματικών μεταβλητών, συνδυάζονται οι προβλέψεις από κάθε υποσύνολο μοντέλων γραμμικής παλινδρόμησης το οποίο έχει σταθερό αριθμό μεταβλητών. Αυτή η μέθοδος προσιδιάζει σε μία περίπλοκη εκδοχή συρρίκνωσης, η οποία όμως εν γένει δεν περιορίζεται στη συρρίκνωση των εκτιμητών ελαχίστων τετραγώνων, συντελεστή προς συντελεστή. Πέρα από την προφανή εξοικονόμηση υπολογιστικού φόρτου, οι συνδυασμοί των πλήρων υποσυνόλων παλινδρόμησης μπορούν να οδηγήσουν σε ακριβείς προβλέψεις, συγκρίσιμες με άλλες καθιερωμένες μεθόδους.","This dissertation is concerned with the problem of controlling the estimation error in forecasting, having many potential predictor variables. While having to deal with a limited number of independent variables permits any strategy that includes and analyzes all of them, when this number gets higher (or equivalently the data sample is relatively short), it is important to limit the number of parameters or in other ways reduce the effect of the parameter estimation error. Otherwise, analysis can become from time intensive to impossible. Complete Subset Regression is a simple and powerful method/technique for combining forecasts, first introduced by Elliott et al. (2013). In particular, for a given set of potential predictor variables, forecasts from all possible linear regression models that keep the number of predictors fixed are combined. This method is akin to a complex version of shrinkage which, in general, does not reduce to shrinking the Ordinary Least Squares estimates coefficient by coefficient. Apart from the apparent savings in terms of computational effort, combinations of subset regressions can produce accurate forecasts compared to other conventional, still very well established, approaches."]},{"key":"dc:title","label":"Title","values":["Predictive Regressions: Variable Selection and the Complete Subset Approach"]}]}],"canonical_facts":{"dc:creator":["Καραμπατέας Αλέξανδρος","Karabateas Alexandros"],"dc:date":["2018"],"dc:description":["Η παρούσα διπλωματική εργασία πραγματεύεται το θέμα του περιορισμού του σφάλματος εκτίμησης για τις περιπτώσεις προβλέψεων όπου εμπλέκονται πολλές επεξηγηματικές μεταβλητές. Ενώ στις περιπτώσεις όπου οι ανεξάρτητες μεταβλητές είναι λίγες σε αριθμό είναι δυνατή η εφαρμογή οποιασδήποτε στρατηγικής που λαμβάνει υπόψη το σύνολο των μεταβλητών, όταν αυτός ο αριθμός μεγαλώσει (ή ισοδύναμα το μέγεθος του δείγματος είναι σχετικά μικρό), καθίσταται σημαντικός ο περιορισμός του αριθμού των παραμέτρων, ώστε να μειωθεί η επίδραση του εκτιμητικού σφάλματος. Σε αντίθετη περίπτωση, η ανάλυση μπορεί να καταστεί από χρονοβόρα έως και αδύνατη. Η μέθοδος Complete Subset Regression είναι μία απλή και ισχυρή μέθοδος/τεχνική συνδυασμού προβλέψεων, που πρώτοι παρουσίασαν οι Elliott et al. (2013). Συγκεκριμένα, διαθέτοντας ένα δεδομένο σύνολο πιθανών επεξηγηματικών μεταβλητών, συνδυάζονται οι προβλέψεις από κάθε υποσύνολο μοντέλων γραμμικής παλινδρόμησης το οποίο έχει σταθερό αριθμό μεταβλητών. Αυτή η μέθοδος προσιδιάζει σε μία περίπλοκη εκδοχή συρρίκνωσης, η οποία όμως εν γένει δεν περιορίζεται στη συρρίκνωση των εκτιμητών ελαχίστων τετραγώνων, συντελεστή προς συντελεστή. Πέρα από την προφανή εξοικονόμηση υπολογιστικού φόρτου, οι συνδυασμοί των πλήρων υποσυνόλων παλινδρόμησης μπορούν να οδηγήσουν σε ακριβείς προβλέψεις, συγκρίσιμες με άλλες καθιερωμένες μεθόδους.","This dissertation is concerned with the problem of controlling the estimation error in forecasting, having many potential predictor variables. While having to deal with a limited number of independent variables permits any strategy that includes and analyzes all of them, when this number gets higher (or equivalently the data sample is relatively short), it is important to limit the number of parameters or in other ways reduce the effect of the parameter estimation error. Otherwise, analysis can become from time intensive to impossible. Complete Subset Regression is a simple and powerful method/technique for combining forecasts, first introduced by Elliott et al. (2013). In particular, for a given set of potential predictor variables, forecasts from all possible linear regression models that keep the number of predictors fixed are combined. This method is akin to a complex version of shrinkage which, in general, does not reduce to shrinking the Ordinary Least Squares estimates coefficient by coefficient. Apart from the apparent savings in terms of computational effort, combinations of subset regressions can produce accurate forecasts compared to other conventional, still very well established, approaches."],"dc:identifier":["uoadl:2796431","https://pergamos.lib.uoa.gr/uoa/dl/object/2796431"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Predictive Regressions: Variable Selection and the Complete Subset Approach"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:32:03Z"}