Μέθοδοι bootstrap στη γραμμική παλινδρόμηση
| dc.contributor.advisor | Ηλιόπουλος, Γεώργιος | |
| dc.contributor.author | Μπούτση, Αγγελική | |
| dc.date.accessioned | 2025-10-21T09:44:07Z | |
| dc.date.available | 2025-10-21T09:44:07Z | |
| dc.date.issued | 2025-01 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18238 | |
| dc.description.abstract | Η γραμμική παλινδρόμηση αποτελεί μία από τις σημαντικότερες μεθόδους της Στατιστικής για την ταυτόχρονη μελέτη δύο ή περισσότερων μεταβλητών με στόχο την πρόβλεψη μίας εξ αυτών όταν είναι γνωστές οι τιμές.των υπολοίπων. Για την εφαρμογή της μεθόδου της γραμμικής παλινδρόμησης υπάρχουν συγκεκριμένες προϋποθέσεις που είναι απαραίτητο να τηρούνται όπως η υπόθεση της κανονικότητας, ομοσκεδαστικότητας και ανεξαρτησίας των σφαλμάτων. Πρακτικά, οι υποθέσεις αυτές συχνά παραβιάζονται, κάτι που μπορεί να μας οδηγήσει σε μη αξιόπιστα συμπεράσματα. Οι μέθοδοι bootstrap αποτελούν πολύ καλές μη παραμετρικές εναλλακτικές. Η παρούσα διπλωματική εργασία παρουσιάζει και συγκρίνει διαφορετικές μεθόδους bootstrap στη γραμμική παλινδρόμηση, όπως το παραμετρικό bootstrap, το bootstrap στα κατάλοιπα, το bootstrap κατά ζεύγη και το wild bootstrap μέσω προσομοιώσεων και εφαρμογών σε πραγματικά σύνολα δεδομένων. | el |
| dc.format.extent | 60 | 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.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Μέθοδοι bootstrap στη γραμμική παλινδρόμηση | el |
| dc.title.alternative | Bootstrap methods in linear regression | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | Linear regression constitutes one of the most important statistical methods for the simultaneous analysis of two or more variables, with the aim of predicting one of them based on the known value(s) of one or more related variables. The application of the linear regression requires the fulfilment of specific assumptions, such as normality, homoscedasticity, and independence of the error terms. In practice, these assumptions are frequently violated, which can lead to unreliable conclusions. Bootstrap methods provide robust non-parametric alternatives, as they allow for the estimation of standard errors and confidence intervals based solely on the observed data. The present thesis presents and compares various bootstrap approaches in linear regression, including the parametric bootstrap, the residual bootstrap, the paired bootstrap, and the wild bootstrap, through simulation studies and applications to real datasets. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Bootstrap | el |
| dc.subject.keyword | Linear regression | el |
| dc.date.defense | 2025-01-31 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα