Autor(en): Rathjens, Jonathan
Titel: Hierarchische Bayes-Regression bei Einbettung großer Datensätze
Sprache (ISO): de
Zusammenfassung: Unterraum-Einbettungen sind eine etablierte Methodik zur Reduktion großer Datensätze unter Erhalt der wesentlichen Information. In der Bayes-Regression wird die aus allen Daten geschätzte A-posteriori-Verteilung der Koeffizienten mit dem reduzierten Datensatz, der sogenannten Skizze, bis auf einen kleinen, kontrollierbaren Fehler approximiert. In dieser Arbeit soll die Verallgemeinerbarkeit dieser Methodik auf gewisse hierarchische Modelle untersucht werden. Simulationsstudien weisen auf eine gute Approximierbarkeit der Koeffizienten und der Hyperparameter hin, sofern keine Generalisierten Linearen Modelle verwendet werden. Bei normalverteilter Likelihood kann eine grundsätzliche Beschränktheit des Abstandes der Schätzer zwischen großem Datensatz und Skizze hergeleitet, für nicht-lineare Link-Funktionen dagegen widerlegt werden.
URI: http://hdl.handle.net/2003/34351
http://dx.doi.org/10.17877/DE290R-16425
Erscheinungsdatum: 2015-03-05
Enthalten in den Sammlungen:TU-weit zugängliche Prüfungsarbeiten

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
MA_Rathjens.pdf
  Restricted Access
1.85 MBAdobe PDFÖffnen/Anzeigen


Diese Ressource ist urheberrechtlich geschützt.



Diese Ressource ist urheberrechtlich geschützt. rightsstatements.org