Intervalldaten und generalisierte lineare Modelle

Da eine direkte präzise Schätzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht möglich ist, formuliert Michael Seitz die Intervallschätzungen der Parameter als Optimierungsproblem und schlägt numerische Verfahren vor, um diese zu lösen. Die Herausforderung liegt dabei in der numerischen Lösung des hochdimensionalen Optimierungsproblems. Dieses wird hier näherungsweise mit einer Kombination aus bekannten numerischen Verfahren für nicht-lineare Zielfunktionen und heuristischem Vorgehen gelöst. Des Weiteren werden für einige Spezialfälle andere zuverlässigere Verfahren vorgestellt.

Da eine direkte präzise Schätzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht möglich ist, formuliert Michael Seitz die Intervallschätzungen der Parameter als Optimierungsproblem und schlägt numerische Verfahren vor, um diese zu lösen. Die Herausforderung liegt dabei in der numerischen Lösung des hochdimensionalen Optimierungsproblems. Dieses wird hier näherungsweise mit einer Kombination aus bekannten numerischen Verfahren für nicht-lineare Zielfunktionen und heuristischem Vorgehen gelöst. Des Weiteren werden für einige Spezialfälle andere zuverlässigere Verfahren vorgestellt. Der Inhalt - Numerische Optimierungsverfahren zur Lösung des Problems Direkte Optimierung der Parameter und Optimierung Anwendung der Verfahren auf simulierte Daten Die Zielgruppen - Dozenten und Studenten der Mathematik mit den Schwerpunkten Statistik und Informatik Praktiker, die sich mit Statistik und Datenanalyse befassen Der AutorMichael Seitz verfasste seine Masterarbeit bei Prof. Dr. Thomas Augustin am Institut für Statistik an der Ludwig-Maximilians-Universität München und promoviert derzeit an der Technischen Universität München.