Number of the records: 1  

Analýza ordinálních dat

  1. Title statementAnalýza ordinálních dat [rukopis] / Martin Rosoľanka
    Additional Variant TitlesAnalýza ordinálních dat
    Personal name Rosolanka, Martin (dissertant)
    Translated titleOrdinal data analysis
    Issue data2016
    Phys.des.63 s. (76 550 znaků)
    NoteOponent Tomáš Fürst
    Ved. práce Ondřej Vencálek
    Another responsib. Fürst, Tomáš (opponent)
    Vencálek, Ondřej (thesis advisor)
    Another responsib. Univerzita Palackého. Katedra matematické analýzy a aplikací matematiky (degree grantor)
    Keywords GLM * zobecněný lineární model * model logitů sousedních kategorií * model logitů proporcionálních šancí * logit proporcionálních rizik * model průběžných poměrů * Akaikeho informační kritérium * Bayesovo informační kritérium * Waldova statistika * Poměr věrohodnostních funkcí * Raovo skóre * GLM * generalized linear model * adjacent categories model * proportional odds model * proportional hazards model * continuation ratio model * Akaike information criterion * Bayes information criterion * likelihood ratio test * Rao's score test
    Form, Genre diplomové práce master's theses
    UDC (043)378.2
    CountryČesko
    Languagečeština
    Document kindPUBLIKAČNÍ ČINNOST
    TitleMgr.
    Degree programNavazující
    Degree programAplikovaná matematika
    Degreee disciplineAplikace matematiky v ekonomii
    book

    book

    Kvalifikační práceDownloadedSizedatum zpřístupnění
    00190330-412107001.pdf701.5 MB06.12.2016
    PosudekTyp posudku
    00190330-ved-571332965.pdfPosudek vedoucího
    00190330-opon-462784800.docxPosudek oponenta

    Cílem práce je seznámit se se zobecněnými lineárními modely pro ordinální data. Pro jednotlivé modely se naučíme odhadovat jejich parametry (pomocí metody maximální věrohodnosti) a testovat hypotézy o těchto parametrech. Důraz bude kladen na interpretace výsledků analýz provedených na konkrétní datové sadě.The goal of this thesis is to get acquainted with the generalized linear models for ordinal data. For each model we learn to estimate their parameters (with maximum likelihood method) and to test hypothesises about these parameters. We pay attention especially to the interpretation of the analysis results performed on the particular dataset.

Number of the records: 1  

  This site uses cookies to make them easier to browse. Learn more about how we use cookies.