(20100621) Σεμιναρίo του Τομέα Μαθηματικών του Ε.Μ.Π. - Penalized regression with individual deviance effects, Zografou - Greece
Sun 20 Jun 2010 - 3:00
ΔΙΑΛΕΞΗ
Σας προσκαλούμε στη διάλεξη του Δρ. Άρη Περπέρογλου, Λέκτορα του Πανεπιστημίου Αιγαίου, Τμήμα Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών, με τίτλο:
“Penalized regression with individual deviance effects”.
Η ομιλία θα γίνει την Δευτέρα 21 Ιουνίου 2010 και ώρα 10:30 π.μ. στην Αίθουσα Σεμιναρίων του Τομέα Μαθηματικών του Ε.Μ.Π., 2ος όροφος, του Κτιρίου E΄, Πολυτεχνειούπολη Ζωγράφου.
Περίληψη Ομιλίας: The present work addresses the problem of model estimation and computations for discrete data when some covariates are modelled smoothly using splines. We propose to introduce and explicitly estimate individual deviance effects (one for each observation), constrained by a ridge penalty. This turns out to be an effective way to absorb model excess variation and detect systematic patterns. Large but very sparse systems of penalized likelihood equations have to be solved. We present fast and compact algorithms for fitting, estimation and computation of the effective dimension. Applications to counts, binomial, and survival data illustrate practical use of this model.
Ο Κος Περπέρογλου είναι υποψήφιος για τις θέσεις του Επίκουρου Καθηγητή και του Λέκτορα, με γνωστικό αντικείμενο “Στατιστική”.
Η Εισηγητική Επιτροπή
Σας προσκαλούμε στη διάλεξη του Δρ. Άρη Περπέρογλου, Λέκτορα του Πανεπιστημίου Αιγαίου, Τμήμα Στατιστικής και Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών, με τίτλο:
“Penalized regression with individual deviance effects”.
Η ομιλία θα γίνει την Δευτέρα 21 Ιουνίου 2010 και ώρα 10:30 π.μ. στην Αίθουσα Σεμιναρίων του Τομέα Μαθηματικών του Ε.Μ.Π., 2ος όροφος, του Κτιρίου E΄, Πολυτεχνειούπολη Ζωγράφου.
Περίληψη Ομιλίας: The present work addresses the problem of model estimation and computations for discrete data when some covariates are modelled smoothly using splines. We propose to introduce and explicitly estimate individual deviance effects (one for each observation), constrained by a ridge penalty. This turns out to be an effective way to absorb model excess variation and detect systematic patterns. Large but very sparse systems of penalized likelihood equations have to be solved. We present fast and compact algorithms for fitting, estimation and computation of the effective dimension. Applications to counts, binomial, and survival data illustrate practical use of this model.
Ο Κος Περπέρογλου είναι υποψήφιος για τις θέσεις του Επίκουρου Καθηγητή και του Λέκτορα, με γνωστικό αντικείμενο “Στατιστική”.
Η Εισηγητική Επιτροπή
- (20100621) Σεμιναρίo του Τομέα Μαθηματικών του Ε.Μ.Π. - Μη παραμετρική Μπεϋζιανή εκτίμηση μη γραμμικών στοχαστικών δυναμικών μοντέλων, Zografou - Greece
- (20100415) Σεμινάριο Τομέα Στατιστικής και Ε.Ε. Zografou - Athens
- Σεμινάριο Τομέα Μαθηματικών ΣΕΜΦΕ 29.03 - Daniel Schmidt (Monash University, Australia)
- (20100527)AUEB SEMINARS - Nonlinear regression with missing responses, Athens - Greece
- University of Athens: 17/12/2018 Causal Inference with Interfering Units for Cluster and Population Level Treatment Allocation Programs & Estimating the health effects of environmental mixtures using Bayesian semiparametric regression and sparsity inducin
Permissions in this forum:
You cannot reply to topics in this forum