Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: multivariate data

Sortuj według:

Ogranicz wyniki do:

A principal component analysis of multivariate data on inflation for Nigeria

Omoregie David E., Ekhosuehi Virtue U.

Mathematica Applicanda

2020

Vol. 48, no. 2

115--132

For quite some time now, the Central Bank of Nigeria (CBN) analyses multivariate data on inflation so as to account for diverse sources of inflationary pressures at the current period and to monitor the inflation pattern in the economy. When the data are subjected to the classical multiple regression analysis using the Ordinary Least Squares (OLS) method, some of the variables may be highly correlated causing statistical insignificance. This may lead to exclusion of some variables from the fitted model. When this happens, the cost of data collection for such variables is a waste. Regardless of the outcome from a variable selection technique, this study is designed to familiarise monetary policy makers with the possibility of integrating Principal Component Analysis (PCA) with the regression analysis so that a few variable components are utilised without excluding any explanatory variable. The paper models the multivariate data at the CBN database on inflation, and extracts important artificial orthogonal variables from the linear combinations of the observed explanatory variables, although with a penalty cost of excluding components with observations that are minimally separated. The PC-based model explains 95.91% of variations in the headline inflation with a mean difference (between the actual and the predicted inflation) that is statistically not different from zero. The study is a significant addition to the existing methodologies for inflation forecasting in the literature as it is one of a few works that apply PCA-based technique to predict headline inflation.

Centralny Bank Nigerii (CBN) od dłuższego czasu analizuje wielowymiarowe dane o inflacji, aby uwzględnić różne źródła presji inflacyjnej w bieżącym okresie i monitorować kształtowanie się inflacji w gospodarce. Gdy dane są poddawane klasycznej analizie regresji wielorakiej przy użyciu zwykłej metody najmniejszych kwadratów (OLS), to niektóre zmienne mogą być silnie skorelowane, co powoduje brak nieistotność statystycznej modelu. Może to prowadzić do wykluczenia niektórych zmiennych z dopasowanego modelu. W takim przypadku koszt gromadzenia danych dla takich zmiennych jest stratą. Niezależnie od wyniku techniki selekcji zmiennych, niniejsze badanie ma na celu zaznajomienie decydentów polityki pieniężnej z możliwością zintegrowania analizy składowych głównych (PCA) z analizą regresji, tak aby można było wykorzystać kilka zmiennych składowych bez wykluczania żadnej zmiennej wyjaśniającej. Artykuł modeluje dane wielowymiarowe w bazie danych CBN na temat inflacji i wyodrębnia ważne sztuczne zmienne ortogonalne z liniowych kombinacji obserwowanych zmiennych objaśniających, chociaż z karą za wykluczenie komponentów z obserwacjami, które są minimalnie oddzielone. Model numeryczny wyjaśnia 95,91 % zmienność zasadniczej inflacji przy średniej różnicy (między rzeczywistą i przewidywaną inflacją), która nie jest statystycznie różna od zera. Badanie jest istotnym uzupełnieniem istniejących w literaturze metodologii prognozowania inflacji, ponieważ jest jedną z nielicznych prac, które wykorzystują technikę PCA do przewidywania inflacji zasadniczej.

Autoassociative neural networks in the tasks of multivariate data visualization

Raskhevich J., Pękala R., Tkachenko R., Tsymbal Y.

Zeszyty Naukowe Politechniki Rzeszowskiej. Elektrotechnika

2002

z. 24 [200]

115-120

Architecture of an two-cascade neural network for the tasks of multivariate data visualization on <> paradigm has been proposed. This architecture is characterized with fast and reliable construction of situational feature maps in the space with smaller dimension. The results of application of the architecture in the test iris plants classification task have been considered. Examples of situational feature maps for different datasets and attributes of irises have been are presented as well.

W pracy przedstawiono architekturę dwuwarstwowej sieci neuronowej do realizacji zadania wizualizacji danych wielowymiarowych. Zaproponowana architektura sieci charakteryzuje się niezawodnością i dużą szybkością działania, generując sytuacyjną mapę cech w przestrzeni o zmniejszonym wymiarze. Wyniki zastosowania powyższej architektury sieci na testowym obrazie "iris" przedstawiono w części eksperymentalnej pracy.

Two non-conventional methods for visualization of multivariate two-group data

Bartkowiak A., Szustalewicz A.

Biocybernetics and Biomedical Engineering

2000

Vol. 20, no. 4

5-20

We introduce two graphical methods which permit to visualize graphically multivariate data belonging to two groups, e.g. disease and control groups. The methods are: a display of two canonical variates, and dynamic projections by the grand tour. Both methods are exploratory: they help in visualization of multivariate data points belonging to two groups of data and learning what is the shape of the two groups. The proposed methods permit also to identify atypieal data points and outliers. The considerations are illustrated by a medical example concerned with patients suffering from ventilatory disorders and control patients in which ventilatory disorders were not stated.

Opisujemy dwie metody graficzne, które pozwalają zobrazować dane podzielone na dwie grupy, np. na chorych i na grupę kontrolną. Są to: wykres dwóch zmiennych kanonicznych i metoda dynamicznych projekcji, nazywana grand tour. Obydwie metody są eksploratywne, tzn. pomagają w wizualizacji punktów należących do dwóch różnych grup oraz w rozpoznawaniu kształtów tych dwóch grup danych. Proponowane metody mogą być również przydatne przy znajdywaniu tzw. odstających obserwacji. Rozważania są ilustrowane danymi medycznymi, dotyczącymi pacjentów cierpiących na niewydolność układu wentylacyjnego i pacjentów kontrolnych, u których nie stwierdzono tej choroby.