Μπεϋζιανή μοντελοποίηση και εκτίμηση πολύπλοκων πολυμεταβλητών προβλημάτων σε πραγματικές εφαρμογές

Περίληψη

Στην εποχή της πληροφορίας και του μεγάλου όγκου δεδομένων, η ανάπτυξη τεχνικών εκμάθησης (Machine Learning) με τη βοήθεια των ηλεκτρονικών υπολογιστών, μας έδωσε τη δυνατότητά να μελετήσουμε πολύπλοκα προβλήματα. Η μη εύρεση αναλυτικών λύσεων για εκτίμηση των παραμέτρων διάφορων υποδειγμάτων έχει οδηγήσει στην άνθιση της Μπεϋζιανής συμπερασματολογίας. Σε αυτή την κατεύθυνση στρέφεται και η παρούσα Διδακτορική διατριβή. Με εργαλεία τις τεχνικές εκμάθησης, ασχολούμαστε με τη μοντελοποίηση πολύπλοκων πολυμεταβλητών Μπεϋζιανών μοντέλων. Η διατριβή αυτή χωρίζεται σε δύο βασικά ερευνητικά πεδία. Το πρώτο πεδίο αφορά την ανάπτυξη Κρυμμένων Μαρκοβιανών μοντέλων (Hidden Markov models) με πεπερασμένα στάδια (states/regimes) και εξωγενείς επεξηγηματικές μεταβλητές. Ιδιαίτερα, επεκτείνουμε προηγούμενα Κρυμμένα Μαρκοβιανά μοντέλα, προτείνοντας συγκεκριμένη μεθοδολογία, βασιζόμενη στην Polya-Gamma τεχνική αύξησης δεδομένων (data augmentation) για την εκτίμηση των παραμέτρων, ενώ ταυτόχρονα επιλέγο ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In the big data era, the study of complex multiparameter problems is more than necessary. The development of Machine Learning techniques enhanced the inferential ability of statistical models. In this direction, by leveraging Machine Learning techniques, we propose a new predictive Hidden Markov model with exogenous variables, within a Bayesian framework, for joint inference and variable selection. We propose a computational Markov Chain Monte Carlo algorithm that offers improved forecasting and variable selection performance, compared to existing benchmark models. Our methodology is applied in various simulated and real datasets, such as realized volatility data and cryptocurrency return series. Furthermore, we exploit the Bayesian methodology in implementing the X-ray luminosity function of the Active Galactic Nuclei under the assumption of Poisson errors in the determination of X-ray fluxes and estimation uncertainties.

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/49191
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/49191
ND
49191
Εναλλακτικός τίτλος
Bayesian modeling and estimation for complex multiparameter problems with real applications
Συγγραφέας
Κοκή, Κωνσταντίνα του Δημοσθένης
Ημερομηνία
2021
Ίδρυμα
Οικονομικό Πανεπιστήμιο Αθηνών. Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας. Τμήμα Στατιστικής
Εξεταστική επιτροπή
Βρόντος Ιωάννης
Μελιγκοτσίδου Λουκία
Καρλής Δημήτριος
Δελλαπόρτας Πέτρος
Φουσκάκης Δημήτριος
Kypraios Theodore
Kalogeropoulos Konstantinos
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΜαθηματικά ➨ Στατιστική και Πιθανότητες
Λέξεις-κλειδιά
Μπεϋζιανή στατιστική; Μαρκοβιανές αλυσίδες Monte Carlo (MCMC); Προβλέψεις; Κρυπτονομίσματα; Χρονοσειρές, Ανάλυση; Επιλογή μεταβλητών; Αστροφυσική; Μελανές οπές
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
2, xxx, 158 σ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.