Hierarchische Bayes-Regression bei Einbettung großer Datensätze

dc.contributor.advisorIckstadt, Katja
dc.contributor.authorRathjens, Jonathan
dc.contributor.refereeLigges, Uwe
dc.date.accessioned2015-11-25T12:18:44Z
dc.date.available2015-11-25T12:18:44Z
dc.date.issued2015-03-05
dc.description.abstractUnterraum-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.de
dc.identifier.urihttp://hdl.handle.net/2003/34351
dc.identifier.urihttp://dx.doi.org/10.17877/DE290R-16425
dc.language.isodede
dc.subject.ddc310
dc.titleHierarchische Bayes-Regression bei Einbettung großer Datensätzede
dc.typeText
dc.type.publicationtypemasterThesisde
dcterms.accessRightsrestricted

Files