Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 2

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  dane funkcjonalne
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
1
Publication available in full text mode
Content available

The Estimating of the Conditional Density with Application to the Mode Function in Scalar-On-Function Regression Structure: Local Linear Approach with Missing at Random

100%
Bouabsa W.
Econometrics. Ekonometria. Advances in Applied Data Analytics
|
2023
|
vol. 27
|
issue 1
17-32
PL
Celem analizy było zbadanie nieparametrycznego estymatora funkcji gęstości i trybu skalarnej zmiennej odpowiedzi na zmienną funkcyjną, gdy obserwacje są i.i.d. Ten proponowany estymator jest tworzony przez połączenie metody Missing At Random (MAR) z lokalnym podejściem liniowym. Na koniec zapewniono również badanie porównawcze oparte na symulowanych danych, aby zilustrować wydajność skończonej próbki i przydatność lokalnego podejścia liniowego z MAR do obecności nawet niewielkiej części wartości odstających w danych.
EN
The aim of this research was to study a nonparametric estimator of the density and mode function of a scalar response variable given a functional variable, when the observations are i.i.d. This proposed estimator is given by combining Missing At Random (MAR) with the local linear approach. Finally, a comparison study based on simulated data is also provided to illustrate the finite sample performances and the usefulness of the local linear approach with MAR to the presence of even a small proportion of outliers in the data.
2

Funkcjonalna analiza głównych składowych w badaniu zmian liczby studentów w czasie w krajach europejskich

100%
Sej-Kolasa M., Sztemberg-Lewandowska M.
Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie
|
2013
|
issue 916
71-81
PL
Analiza głównych składowych (PCA) polega na transformacji zmiennych pierwotnych w zbiór nowych wzajemnie ortogonalnych zmiennych, zwanych głównymi składowymi. Funkcjonalna analiza głównych (FPCA) składowych ma zalety klasycznej analizy głównych składowych, dodatkowo umożliwia analizę danych o charakterze dynamicznym. Podstawową różnicą między tymi dwiema metodami jest rodzaj danych: PCA bazuje na danych wielowymiarowych, natomiast FPCA na danych funkcjonalnych. Danymi funkcjonalnymi są krzywe i trajektorie, czyli ciąg indywidualnych obserwacji, a nie pojedyncza obserwacja. Celem artykułu jest pokazanie możliwości wykorzystania funkcjonalnej analizy głównych składowych do badania zjawisk opisanych danymi wzdłużnymi (longitudinal data). Przykład wykorzystania tej metody omówiony w artykule opiera się na analizie zmiany liczby studentów w czasie w wybranych krajach europejskich. Możliwości wizualizacyjne metody pozwalają na porównanie krajów i wyodrębnienie obserwacji odstających.
EN
Principal component analysis (PCA) transforms an original set of variables into a new orthogonal set called principal components. Functional principal component analysis (FPCA) has the same advantages as classical principal component analysis while also enabling the analysis of dynamic data. The main difference between them is that PCA is based on multidimensional data and FPCA is based on functional data. The functional data are curves, surfaces or anything else varying over a continuum. They are not a single observation. The main aim of the paper is to show the usefulness of applying functional principal component analysis in order to analyse longitudinal data. The paper presents an example of how this method has been used based on the analysis of changes in the number of students (over time) in chosen European countries. Visualisation of the results makes it possible to compare countries and detect outliers.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.