Geri Dön

Fonksiyonel regresyon modellerinde kısmi en küçük kareler yöntemi üzerine yeni yaklaşımlar

Nex approaches to the partial least square method in functional regression models

  1. Tez No: 772091
  2. Yazar: SEMANUR SARIÇAM
  3. Danışmanlar: PROF. DR. BARIŞ AŞIKGİL, DOÇ. DR. UFUK BEYAZTAŞ
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: İstatistik Bilim Dalı
  13. Sayfa Sayısı: 79

Özet

Teknolojik gelişmeler, gözlemleri zaman, uzay ve grid noktaları gibi bir süreklilik üzerinden elde edilen karmaşık ve yüksek boyutlu veri yapılarına yol açmıştır. Geleneksel matematiksel/istatistiksel yöntemler, çoklu bağlantı gibi yüksek boyutlu verilerdeki yaygın problemler nedeniyle bu tür verileri analiz edememektedir. Bu nedenle, fonksiyonel verileri analiz etmek için geçerli istatistiksel yöntemlere duyulan ihtiyaç artmıştır. Sonuç olarak, fonksiyonel veri analizine (FDA) olan ilgi yıllar içinde önemli ölçüde artmış ve kimya, meteoroloji, tıp ve finans gibi çeşitli bilim alanlarında genel bir çerçeve haline gelmiştir. FDA'da, yanıt ve tahmin değişkenleri arasındaki fonksiyonel bağlantıyı araştırmak için, yanıt veya tahmin değişkenlerinden en az birinin sonsuz boyutlu rastgele eğrilerden oluştuğu fonksiyonel doğrusal regresyon modeline (FLRM) özel bir ilgi gösterilmiştir. FLRM'deki temel amaç, sonsuz boyutlu regresyon katsayısı fonksiyonunu tahmin etmektir. Bu tahmin yöntemleri maksimum olabilirlik, maksimum cezalandırılmış olabilirlik, en küçük kareler, temel bileşen regresyonu ve kısmi en küçük kareler regresyonudur. Diğerleri arasında, kısmi en küçük kareler, gelişmiş parametre tahmini ve tahmin doğruluğu üretir. Bununla birlikte, hemen hemen tüm mevcut fonksiyonel kısmi en küçük kareler yöntemleri, SIMPLS ve NIPALS gibi olağan algoritmalara dayanmaktadır. Bu algoritmalar sezgisel ve tutarlı olmakla birlikte, kararlı parametre tahminleri üretemeyebilirler ve/veya yüksek boyutlu fonksiyonel verileri analiz ederken hesaplama açısından yoğun olabilirler. Bu tezde amacımız, skaler - fonksiyon regresyon altında regresyon katsayısı fonksiyonunu verimli bir şekilde tahmin etmek için iki hibrit fonksiyonel kısmi en küçük kareler yöntemi önermektir. Önerilen yöntemlerde, sonsuz boyutlu fonksiyonel tahminciler ilk önce bir temel genişletme tekniği kullanılarak sonlu boyutlu bir uzaya yansıtılır. Ardından, skorun yeniden ortogonalizasyonuna ve vektör yüklemesine dayanan iki kısmi en küçük kareler algoritması, skaler yanıt ile fonksiyonel tahmin edicilerin temel katsayıları arasındaki doğrusal ilişkiyi tahmin etmek için kullanılır. Sonlu örneklem performansı ve hesaplama hızı için bir dizi Monte Carlo simülasyon çalışması ve bir şeker süreci veri seti kullanılarak sonuçlar, mevcut fonksiyonel kısmi en küçük kareler yöntemleriyle karşılaştırıldığında, önerilen yöntemlerin daha az hesaplama süresi ile kararlı parametre tahminleri ve öngörüler ürettiğini ortaya koyuldu.

Özet (Çeviri)

Technological developments have led to complex and high-dimensional data structures whose observations are obtained over a continuum, such as time, space, and grid points. Traditional mathematical/statistical methods fail to analyze such kind of data because of common problems in high-dimensional data such as multicollinearity. Therefore, the need for valid statistical methods to analyze functional data has increased. As a result, the interest in functional data analysis (FDA) has increased significantly over the years, and it has become a general framework in various fields of science, such as chemometry, meteorology, medicine, and finance. In FDA, a particular interest has been devoted to the functional linear regression model (FLRM), in which at least one of the response or predictor variables consist of infinite-dimensional random curves, to explore the functional connectivity between response and predictor variables. The main aim in FLRM is to estimate the infinite-dimensional regression coefficient function. Several estimation strategies, such as, maximum likelihood, maximum penalized likelihood, least squares, principal component regression, and partial least squares regression. Among others, the partial least squares produces improved parameter estimation and prediction accuracy. However, almost all the available functional partial least squares methods are based on the usual algorithms, such as SIMPLS and NIPALS. While these algorithms are intuitive and consistent, they may not produce stable parameter estimates and/or they may be computationally intensive when analyzing high-dimensional functional data. In this thesis, our aim is to propose two modified functional partial least squares methods to efficiently estimate the regression coefficient function under the scalar-on-function regression. In the proposed methods, the infinite-dimensional functional predictors are first projected onto a finite-dimensional space using a basis expansion method. Then, two partial least-squares algorithms, based on re-orthogonalization of the score and loading vectors, are used to estimate the linear relationship between scalar response and the basis coefficients of the functional predictors. The finite-sample performance and computing speed are evaluated using a series of Monte Carlo simulation studies and a sugar process dataset. Our results revealed that, compared with available functional partial least squares methods, our proposed methods produce stable parameter estimates and predictions with less computing time.

Benzer Tezler

  1. Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini

    Forecasting the spread of covid-19 using deep learning and big data analytics methods

    CYLAS KIGANDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. MUHAMMET ALİ AKCAYOL

  2. Design and optimization of variable stiffness composite structures modeled using Bézier curves

    Bézier eğrileriyle modellenen değişken katılıklı kompozit yapıların tasarımı ve optimizasyonu

    ONUR COŞKUN

    Doktora

    İngilizce

    İngilizce

    2022

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİT SÜLEYMAN TÜRKMEN

  3. Intra-patient and inter-patient adaptive control of hypnotic states during total intravenous anesthesia

    Total intravenöz anestezi sırasında hipnotik durumların hasta içi ve hastalar arası uyarlamalı kontrolü

    BORA AYVAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Anestezi ve Reanimasyonİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ FUAT ERGENÇ

  4. Learning of interval Type-2 fuzzy logic systems using big bang – big crunch optimization

    Aralık değerli Tip-2 bulanık sistemlerin büyük patlama – büyük çöküş optimizasyonuyla eğitilmesi

    CİHAN ÖZTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ENGİN YEŞİL

  5. Novel approaches to regression models for functional data

    Fonksiyonel veri için regresyon modellerine yeni yaklaşımlar

    MÜGE MUTİŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İstatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. GÜLHAYAT GÖLBAŞI ŞİMŞEK

    DOÇ. DR. UFUK BEYAZTAŞ