Využití bootstrapu a křížové validace v odhadu predikční chyby regresních modelů

Ondřej Lepša

Master's thesis

Utilizing Bootstrap and Cross-validation for prediction error estimation in regression models

Anotácia:

Nalezení modelu s dobrými předpovědními vlastnostmi je jeden z hlavních cílů regresní analýzy. I přesto se v běžné praxi k vyhodnocení predikčních schopností využívá kritérií, která se k tomuto účelu buď nehodí, nebo nejsou dostatečně spolehlivá. Alternativu představují relativně nové metody, které využívají opětovných simulací k odhadnutí vhodné ztrátové funkce -- predikční chyby. Do této kategorie patří křížová validace a bootstrap. Tato práce popisuje, jak lze s využitím těchto metod vybrat takový regresní model, který co nejlépe předpovídá hodnoty vysvětlované proměnné.

Abstract:

Finding a well-predicting model is one of the main goals of regression analysis. However, to evaluate a model's prediction abilities, it is a normal practice to use criteria which either do not serve this purpose, or criteria of insufficient reliability. As an alternative, there are relatively new methods which use repeated simulations for estimating an appropriate loss function -- prediction error. Cross-validation and bootstrap belong to this category. This thesis describes how to utilize these methods in order to select a regression model that best predicts new values of the response variable.

Kľúčové slová

R, výběr modelu, křížová validace, bootstrap, vícenásobná regrese

Keywords

Bootstrap, model selection, Cross-validation, R, multiple regression

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 31. 1. 2014

Obhajoba závěrečné práce

• Obhajoba proběhla 4. 2. 2015
• Vedúci: Milan Bašta
• Oponent: Ivana Malá

Vysoká škola ekonomická v Praze

Master programme / odbor:
Kvantitativní metody v ekonomice / Statisticko-pojistné inženýrství