Geri Dön

Nonstationary factor model applications of elastic net

Durağan olmayan faktör modellerde elastic net uygulamaları

  1. Tez No: 327524
  2. Yazar: DENİZ KONAK
  3. Danışmanlar: DOÇ. DR. TANER YİĞİT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ekonometri, Ekonomi, Econometrics, Economics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2013
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Ekonomi ve Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: İktisat Bölümü
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 38

Özet

Bu tez çalışmamzda, durağan olan ve durağan olmayan faktörlerin kullanıldığı faktör modeller icin elastic net tahmin edicilerini kullandık. Elastic net shrinkage tahmin edicileri ailesinin bir üyesidir. Bu ailenin bir üyesi olarakelastic net tahmin edicileri, veri setlerindeki değişmelerden etkilenmezler ve genel olarak, gerçek modelde olandan fazla parametre tahmin etmezler. Belirtilen bu iki özellik faktör sayısı tahminleri icin elastic net tahmin edicilerini bilgi temelli ceza yöntemlerine göre daha tercih edilir yapmaktadır. Temel bileşenler analizi tabanlı algoritmalar durağan olmayan serilerde sadece tek faktör tahmin etmeye eğilimli oldukları için temel bileşenler analizinin regresyon tabanlı optimizasyon algoritması olan seyrek temel bileşenler analizi yöntemini kullandık. Yaplan simülasyonlar elastic net tahmin edicilerinin durağan olan ve durağan olmayan faktörlerin tahmin edilmesindeki performanslarını göstermektedir.

Özet (Çeviri)

In this thesis, we adopted Elastic Net estimators for selecting true number of factors in factor models with stationary and nonstationary factors. Elastic Net is a member of shrinkage estimators family. As a member of shrinkageestimators family, elastic net estimators are stable to changes in data and in general they do not over parametrize the models. These two properties of elastic net estimators makes elastic net more favourable than informationbased criterion penalty methods for estimating true factor number. Since Principal Components Analysis (PCA) based algorithms always tends to give only single factor for nonstationary data sets, we use Sparse Principal ComponentsAnalysis (SPCA) algorithm which is a regression-type optimization formulation of PCA. Simulations show the performance of Elastic Net estimator for estimation of true factor number with stationary and nonstationary factors cases .

Benzer Tezler

  1. Türkiye rüzgâr verilerinin bayesyen maksimum entropi yaklaşımıyla uzay-zaman modeli

    Spatiotemporal model of Turkey wind speed data with Bayesian maximum entropy approach

    ÖZLEM BAYDAROĞLU

    Doktora

    Türkçe

    Türkçe

    2016

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. KASIM KOÇAK

  2. Düşük bir hızlarında konuşma kodlama ve uygulamaları

    Low bit rate speech coding and applications

    TARIK AŞKIN

  3. Designing business model framework for public bus transportation authorities: A fuzzy approach

    Otobüs toplu taşıma otoriteleri için iş modeli dizaynı: Bir fuzzy yaklaşımı

    BÜŞRA BURAN

    Doktora

    İngilizce

    İngilizce

    2023

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ERÇEK

  4. Asenkron makinanın hız kontrolü için PID kontrolör tasarımı

    The design of pid controller for an induction machine speed control

    OKAN TEKMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SALMAN KURTULAN

  5. Zamanla değişen kanalların kestirimi ve uyarlamalı kodlama

    The Estimation of time varying channels and adaptive coding

    CÜNEYT DELİKTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÜMİT AYGÖLÜ