Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Applying Lasso to AR estimation

Εναλλακτικός τίτλος :	Εφαρμογή της μεθόδου Lasso στα αυτοπαλίνδρομα μοντέλα

Δημιουργός :	Γιασαφάκη, Παγώνα Giasafaki, Pagona

Συντελεστής :	Ιωαννίδης, Ευάγγελος (Επιβλέπων καθηγητής) Πεντελή, Ξανθή (Εξεταστής) Ντζούφρας, Ιωάννης (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	84p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7681

Περίληψη :	Αυτή η μεταπτυχιακή εργασία επικεντρώνεται στη μέθοδο Lasso, η οποία είναι μια μέθοδος για ανάλυση παλινδρόμησης, που εκτελεί τόσο επιλογή μεταβλητών όσο και συρρίκνωσης προκειμένου να αυξήσει την ακρίβεια πρόβλεψης και ερμηνείας του στατιστικού μοντέλου που παράγει. Επιπλέον, είναι μια επιτυχής μέθοδος εκτίμησης μοντέλων σε δεδομένα μεγάλων διαστάσεων.Θα παρουσιάσουμε τις ασυμπτωτικές ιδιότητες της Lasso για μοντέλα γραμμικής παλινδρόμησης και θα παρουσιάσουμε την επέκταση του και στα αυτοπαλίνδρομα μοντέλα για να επιλέξουμε την τάξη του μοντέλου και να συρρικνώσουμε τους αυτοπαλίνδρομους συντελεστές. Εξαιτίας της μεταβλητής ασυνέπειας της Lasso, θα παρουσιαστεί μια άλλη έκδοση της,που ονομάζεται προσαρμοσμένη Lasso, η οποία χρησιμοποιεί προσαρμοστικά βάρη για κάθε συντελεστή.Επιπλέον,επεκτείνουμε αυτή τη μέθοδο στα αυτοπαλίνδρομα μοντέλα και συζητάμε τις διαφορές των δύο μεθόδων όσο αναφορά τις ασυμπτωτικές ιδιότητες. Τέλος, παρουσιάζουμε μια εφαρμογή της Lasso σε αυτοπαλίνδρομα μοντέλα. This master thesis focuses on Least Absolute Shrinkage and Selection Operator, which is a method for regression analysis, that performs both variable selection and regularization in order to increase the prediction accuracy and interpretability of the statistical model it produces.In addition,it is a successful method to estimate models in high dimensional data.We will present the asymptotic properties of Lasso for linear regression model and how they carry over to autoregressive (AR) models for time series. In this case the goal is to choose the order of the model and using shrinking in the estimation of the autoregressive coeﬃcients.Because of the lasso’s inconsistency in selecting the correct model, another version of lasso, called adaptive lasso will be presented, which uses adaptive weights for each coeﬃcient. Furthermore, we present the expansion of this method to autoregressive models and discuss the diﬀerences of the two methods in terms of their asymptotic properties.Finally, we present an application of real data of autoregressive model ﬁtting with Lasso as opposed to classical ordinary least squares.

Περίληψη :

Αυτή η μεταπτυχιακή εργασία επικεντρώνεται στη μέθοδο Lasso, η οποία είναι μια μέθοδος για ανάλυση παλινδρόμησης, που εκτελεί τόσο επιλογή μεταβλητών όσο και συρρίκνωσης προκειμένου να αυξήσει την ακρίβεια πρόβλεψης και ερμηνείας του στατιστικού μοντέλου που παράγει. Επιπλέον, είναι μια επιτυχής μέθοδος εκτίμησης μοντέλων σε δεδομένα μεγάλων διαστάσεων.Θα παρουσιάσουμε τις ασυμπτωτικές ιδιότητες της Lasso για μοντέλα γραμμικής παλινδρόμησης και θα παρουσιάσουμε την επέκταση του και στα αυτοπαλίνδρομα μοντέλα για να επιλέξουμε την τάξη του μοντέλου και να συρρικνώσουμε τους αυτοπαλίνδρομους συντελεστές. Εξαιτίας της μεταβλητής ασυνέπειας της Lasso, θα παρουσιαστεί μια άλλη έκδοση της,που ονομάζεται προσαρμοσμένη Lasso, η οποία χρησιμοποιεί προσαρμοστικά βάρη για κάθε συντελεστή.Επιπλέον,επεκτείνουμε αυτή τη μέθοδο στα αυτοπαλίνδρομα μοντέλα και συζητάμε τις διαφορές των δύο μεθόδων όσο αναφορά τις ασυμπτωτικές ιδιότητες. Τέλος, παρουσιάζουμε μια εφαρμογή της Lasso σε αυτοπαλίνδρομα μοντέλα.
This master thesis focuses on Least Absolute Shrinkage and Selection Operator, which is a method for regression analysis, that performs both variable selection and regularization in order to increase the prediction accuracy and interpretability of the statistical model it produces.In addition,it is a successful method to estimate models in high dimensional data.We will present the asymptotic properties of Lasso for linear regression model and how they carry over to autoregressive (AR) models for time series. In this case the goal is to choose the order of the model and using shrinking in the estimation of the autoregressive coeﬃcients.Because of the lasso’s inconsistency in selecting the correct model, another version of lasso, called adaptive lasso will be presented, which uses adaptive weights for each coeﬃcient. Furthermore, we present the expansion of this method to autoregressive models and discuss the diﬀerences of the two methods in terms of their asymptotic properties.Finally, we present an application of real data of autoregressive model ﬁtting with Lasso as opposed to classical ordinary least squares.

Λέξη κλειδί :	Μέθοδος συρρίκνωσης συντελεστών σε αυτοπαλίνδρομα Αυτοπλίνδρομα μοντέλα Μέθοδος των Ελαχίστων Τετραγώνων Least Absolute Shrinkage and Selection Operator (LASSO) Autoregressive models (AR) Ordinary Least Squares

Διαθέσιμο από :	2020-03-10 11:06:04

Ημερομηνία έκδοσης :	10-03-2020

Ημερομηνία κατάθεσης :	2020-03-10 11:06:04

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Giasafaki_2020.pdf

Τύπος: application/pdf

Είσοδος