dc.contributor.advisor | Ηλιόπουλος, Γεώργιος | |
dc.contributor.author | Γούτος, Κωνσταντίνος | |
dc.date.accessioned | 2021-07-16T06:38:33Z | |
dc.date.available | 2021-07-16T06:38:33Z | |
dc.date.issued | 2021-07 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/13574 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/997 | |
dc.description.abstract | Η ανάλυση παλινδρόμηση αποτελεί ένα από τα βασικότερα εργαλεία της σύγχρονης στατιστικής. Οι εκτιμήσεις των συντελεστών ενός μοντέλου παλινδρόμησης υπολογίζονται, προκειμένου να περιγράψουν σχέσεις σε πολυμεταβλητά δεδομένα και να διατυπωθούν προβλέψεις. Στα κλασικά γραμμικά μοντέλα παλινδρόμησης οι ερμηνείες τους είναι άμεσες. Ωστόσο, η γενικότητα του πλαισίου παλινδρόμησης σημαίνει ό,τι είναι ευρέως γενικευμένη για να εξεταστούν πιο πολύπλοκες σχέσεις, συμπεριλαμβανομένης της εξειδίκευσης των μη γραμμικών σχέσεων μεταξύ των επεξηγηματικών μεταβλητών και της μεταβλητής απόκρισης. Με αυτή την ευελιξία να προσδιοριστούν δυνητικά πολύπλοκες σχέσεις πολλών μεταβλητών, υπάρχει κίνδυνος παρερμηνείας. Σκοπός της παρούσας εργασίας είναι η παρουσίαση, η ερμηνεία και η εφαρμογή των Οριακών Επιδράσεων, κυρίως για τα γενικευμένα γραμμικά μοντέλα. Οι Οριακές Επιδράσεις, είναι ένα σημαντικό εργαλείο της συμπερασματικής στατιστικής, αποτελώντας ένα μέτρο υπολογισμού της επίδρασης μίας αλλαγής μιας επεξηγηματικής μεταβλητής στην μεταβλητή απόκρισης, όπου η αλλαγή αυτή μετριέται στις φυσικές της μονάδες.
H δομή της διπλωματικής εργασίας αποτελείται από 6 Κεφάλαια. Στο 1ο Κεφάλαιο, παρουσιάζεται το θεωρητικό υπόβαθρο των γενικευμένων γραμμικών μοντέλων. Ειδικότερα για τα μοντέλα με δίτιμες μεταβλητές απόκρισης (logit, probit & complementary log log) και για τα μοντέλα με μεταβλητές απόκρισης απαριθμήσεων (Poisson & zero inflated Poisson). Ακολουθεί το 2ο Κεφάλαιο στο οποίο γίνεται η εισαγωγή των Οριακών Επιδράσεων και ο τρόπος υπολογισμού τους. Έπειτα στο 3ο Κεφάλαιο γίνεται αναλυτική ανασκόπηση των προσεγγίσεων, συμφωνά με τις οποίες μπορούν να υπολογιστούν οι Οριακές Επιδράσεις, παρέχοντας επιστημονικά επιχειρήματα ως προς την καταλληλόλητά τους. Στην συνέχεια, στο 4ο Κεφάλαιο περιγράφονται αναλυτικά οι μέθοδοι που χρησιμοποιούνται προκειμένου να εκτιμηθούν τα ασυμπτωτικά τυπικά σφάλματα των Οριακών Επιδράσεων, δίνοντας περισσότερη έμφαση στην μέθοδο Δέλτα. Εν συνεχεία στο 5ο Κεφάλαιο, διατυπώνεται πώς από μια απλή τυποποίηση των επεξηγηματικών μεταβλητών, οι Οριακές Επιδράσεις στα γενικευμένα γραμμικά μοντέλα logit και probit, μπορούν να απλοποιηθούν. Η εργασία ολοκληρώνεται με το 6ο Κεφάλαιο, στο οποίο εφαρμόζεται η θεωρία των Οριακών Επιδράσεων που αναπτύχθηκε στα προηγούμενα Κεφάλαια, στην βάση δεδομένων που σχετίζεται με το σπάνιο είδος καβουριού που ονομάζεται πεταλοειδές καβούρι (Limulus polyphemus), καταλήγοντας σε αξιοσημείωτα συμπεράσματα. Για την στατιστική ανάλυση των δεδομένων χρησιμοποιείται η γλώσσα προγραμματισμού R. | el |
dc.format.extent | 131 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Οι οριακές επιδράσεις των επεξηγηματικών μεταβλητών ενός γενικευμένου γραμμικού μοντέλου: ερμηνεία και εφαρμογές | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | Regression analysis is one of the most essential tools in modern Statistics. The estimates of the coefficients of explanatory variables are calculated to describe potential relationships in multivariate data and make predictions. For the classic Linear Regression Models, the interpretation of the estimates is straight forward. However, the regression framework is so wide that it allows to consider more complex relationships, including nonlinear relationships between the explanatory and the response variables. This provides the flexibility to identify potential complex relationship between many variables. On the other hand, there is a risk of misinterpretation. The purpose of this M.Sc. Thesis is the presentation, interpretation and application of the Marginal Effects, with a focus on the generalized linear models. Marginal Effects is an important tool for Statistical inference as they provide a measure of calculating the effect of a change of an explanatory variable on the response variable, where this change is measured in its physical units.
This M.Sc. Thesis consists of 6 Chapters. In Chapter 1, we present the generalized linear models, emphasizing on the models for binary outcomes (logit, probit and complementary log-log) and for count outcomes (Poisson and zero inflated Poisson). In chapter 2, we introduce the Marginal effects and we describe the ways of calculating them. Chapter 3 consists of a detailed overview of the various approaches in which the Marginal Effects can be calculated with. Also, it includes the comparison for two of the presented methods. In Chapter 4, we describe the methods used to estimate the asymptotic standard errors of the Marginal Effects, emphasizing on the Delta method. In Chapter 5, we present the simplified models of Marginal Effects for the generalized linear models logit and probit after normalization of the explanatory variables. In Chapter 6, we apply the theoretical foundation of Marginal Effects. For the Case Study, a dataset related to a rare species of a crab, called horseshoe crab (Limulus polyphemus), is used ending up to remarkable conclusions. For the computational part of this thesis, we used the R Programming Language. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Marginal effects | el |
dc.subject.keyword | Generalized linear models | el |
dc.subject.keyword | Logit | el |
dc.subject.keyword | Probit | el |
dc.subject.keyword | Cloglog | el |
dc.subject.keyword | Poisson | el |
dc.subject.keyword | Zip | el |
dc.subject.keyword | Marginal Effects at Representative values | el |
dc.subject.keyword | Marginal Effects at Means | el |
dc.subject.keyword | Average Marginal Effects | el |
dc.date.defense | 2021-07-08 | |