Krytyczna analiza wybranych klasyfikatorów dla danych funkcjonalnych w kontekście ich zastosowań w ekonomii

Autor

DOI:

https://doi.org/10.18778/0208-6018.347.05

Słowa kluczowe:

klasyfikator funkcjonalny, analiza danych funkcjonalnych, metody odporne, barometr optymizmu w ekonomii

Abstrakt

W artykule przeprowadzono krytyczną analizę najbardziej znanych klasyfikatorów dla danych funkcjonalnych. Ponadto zaproponowano nowy klasyfikator dla danych funkcjonalnych. Przedyskutowano pewne, związane z odpornością, własności rozważanych klasyfikatorów. Wypracowane w artykule podejście może zostać użyte do przewidywania stanu gospodarki na podstawie indeksu mierzącego optymizm konsumentów – CCI (Consumer Confidence Index) oraz indeksu odzwierciedlającego optymizm w sektorze przemysłowym – IPI (Industrial Price Index), przy czym wykorzystuje się nie tylko skalarne wartości indeksu, lecz także całą trajektorię/kształt funkcji opisującej dany indeks. W związku z tym nasze rozważania mogą być pomocne w skonstruowaniu lepszego barometru stanu gospodarki. O ile wiadomo autorom, jest to pierwsze porównanie klasyfikatorów dla danych funkcjonalnych ze względu na kryterium ich użyteczności aplikacyjnej w ekonomii. Głównym celem artykułu jest zaprezentowanie, jak mała frakcja obserwacji nietypowych w próbce uczącej, będących liniowo niezależnymi z próbką uczącą, która z kolei składa się z funkcji prawie liniowo zależnych, jest w stanie poważnie zaburzyć wyniki klasyfikacji dla wszystkich rozpatrywanych klasyfikatorów.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Arribas‑Gil A., Romo J. (2013), Shape Outlier Detection and Visualization for Functional Data: the Outliergram, “Biostatistics”, vol. 15, issue 4, pp. 603–619.
Google Scholar

Berlinet A., Thomas‑Agnan C. (2004), Reproducing Kernel Hilbert Spaces in Probability and Statistics, Kluwer, Dordrecht. https://doi.org/10.1007/978-1-4419-9096-9
Google Scholar

Białek J. (2012), Proposition of the general formula for price indices, “Communications in Statistics: Theory and Methods”, vol. 41, issue 5, pp. 943–952.
Google Scholar

Bosq D. (2000), Linear Processes in Function Spaces, Springer, New York. https://doi.org/10.1007/978-1-4612-1154-9
Google Scholar

Christmann A., Van Messem A. (2008), Bouligand Derivatives and Robustness of Support Vector Machines for Regression, “Journal of Machine Learning Research”, vol. 9, pp. 915–936.
Google Scholar

Christmann A., Salibian‑Barrera M., Van Aelst S. (2013), Qualitative Robustness of Bootstrap Approximations for Kernel Based Methods, [in:] C. Becker, R. Fried, S. Kuhnt (eds.), Robustness and Complex Data Structures, Springer, Berlin–Heidelberg, pp. 263–278. https://doi.org/10.1007/978-3-642-35494-6_16
Google Scholar

Cuevas A. (1988), Qualitative robustness in abstract inference, “Journal of Statistical Planning and Inference”, vol. 18, issue 3, pp. 277–289.
Google Scholar

Cuevas A., Fraiman R. (2009), On depth measures and dual statistics. A methodology for dealing with general data, “Journal of Multivariate Analysis”, vol. 100, issue 4, pp. 753–766.
Google Scholar

Cuevas A., Febrero‑Bande M., Fraiman R. (2007), Robust estimation and classification for functional data via projection‑based depth notions, “Computational Statistics”, vol. 22, issue 3, pp. 481–496.
Google Scholar

Devroye L., Gyorfi L., Lugosi G. (1996), A Probabilistic Theory of Pattern Recognition, Springer, New York. https://doi.org/10.1007/978-1-4612-0711-5
Google Scholar

Febrero‑Bande M. O., Fuente M. de la (2012), Statistical computing in functional data analysis: the R package fda.usc, “Journal of Statistical Software”, vol. 51, issue 4, pp. 1–28.
Google Scholar

Ferraty F., Vieu P. (2006), Nonparametric Functional Data Analysis: Theory and Practice, Spring‑ er, Berlin.
Google Scholar

Górecki T., Krzyśko M., Wołyński W. (2018), Independence test and canonical correlation analysis based on the alignment between kernel matrices for multivariate functional data, “Artificial Intelligence Review”, https://doi.org/10.1007/s10462-018-9666-7
Google Scholar

Górecki T., Krzyśko M., Waszak Ł., Wołyński W. (2018), Selected Statistical Methods of Data Analysis for Multivariate Functional Data, “Statistical Papers”, vol. 59, issue 1, pp. 153–182.
Google Scholar

Haykin S. (2009), Neural networks and learning machines, Prentice Hall, New Jersey.
Google Scholar

Horváth L., Kokoszka P. (2012), Inference for functional data with applications, Springer, New York. https://doi.org/10.1007/978-1-4614-3655-3
Google Scholar

Hubert M., Van Driessen K. (2004), Fast and robust discriminant analysis, “Computational Statistics & Data Analysis”, vol. 45, issue 2, pp. 301–320.
Google Scholar

Hubert M., Rousseeuw P., Segaert P. (2016), Multivariate and functional classification using depth and distance, “Advances in Data Analysis and Classification”, vol. 11, issue 3, pp. 445–466.
Google Scholar

Kosiorowski D. (2016), Dilemmas of robust analysis of economic data streams, “Journal of Mathematical Sciences”, vol. 218, issue 2, pp. 167–181.
Google Scholar

Kosiorowski D., Zawadzki Z. (2019), DepthProc: An R package for robust exploration of multidimensional economic phenomena, “Journal of Statistical Software” (forthcoming).
Google Scholar

Kosiorowski D., Mielczarek D., Rydlewski J. P. (2017), SVM classifiers for functional data in monitoring of the Internet users behavior, [in:] M. Papież, S. Śmiech (eds.), The 11th Professor A. Zeliaś International Conference on Modelling and Forecasting of Socio‑Economic Phenomena, Conference Proceedings, Zakopane, pp. 143–152.
Google Scholar

Kosiorowski D., Mielczarek D., Rydlewski J. P. (2018), New proposal of robust classifier for functional data, [in:] M. Papież, S. Śmiech (eds.), The 12th Professor A. Zeliaś International Conference on Modelling and Forecasting of Socio‑Economic Phenomena, Conference Proce‑ edings, Zakopane, pp. 200–208.
Google Scholar

Kosiorowski D., Rydlewski J. P., Snarska M. (2019), Detecting a structural change in functional time series using local Wilcoxon statistic, “Statistical Papers”, vol. 60, pp. 1677–1698, http://dx.doi.org/10.1007/s00362-017-0891-y
Google Scholar

Kosiorowski D., Rydlewski J. P., Zawadzki Z. (2018), Functional outliers detection by the example of air quality monitoring, “Statistical Review”, vol. 65, no. 1, pp. 81–98.
Google Scholar

Li J., Cuesta‑Albertos J. A., Liu R. Y. (2012), DD‑Classifier: Nonparametric Classification Procedure Based on DD‑Plot, “Journal of the American Statistical Association”, vol. 107, issue 498, pp. 737–753.
Google Scholar

OECD (2018), Consumer confidence index (CCI) (indicator), http://dx.doi.org/10.1787/46434d78-en
Google Scholar

Preda C. (2007), Regression models for functional data by reproducing kernel Hilbert spaces methods, “Journal of Statistical Planning and Inference”, vol. 137, issue 3, pp. 829–840.
Google Scholar

Ramsay J. O., Silverman B. W. (2005), Functional data analysis, Springer, Berlin.
Google Scholar

Ramsay J. O., Hooker G., Graves S. (2009), Functional data analysis with R and Matlab, Springer, New York.
Google Scholar

Schölkopf B., Smola A. J. (2002), Learning with Kernels, MIT Press, Cambridge.
Google Scholar

Steinwart I., Christmann A. (2008), Support Vector Machines, Springer, New York.
Google Scholar

Tarabelloni N. (2017), Robust Statistical Methods in Functional Data Analysis, Doctoral thesis and R package roahd, Politecnico di Milano, Milano.
Google Scholar

Vencálek O. (2013), Depth‑based Modification of the k‑nearest Neighbour Method, “SOP Transactions on Statistics and Analysis”, vol. 1, no. 2, pp. 131–138.
Google Scholar

Vencálek O., Pokotylo O. (2018), Depth‑weighted Bayes classification, “Computational Statistics and Data Analysis”, vol. 123, pp. 1–12.
Google Scholar

Opublikowane

2020-04-03

Jak cytować

Kosiorowski, D., Mielczarek, D., & Rydlewski, J. P. (2020). Krytyczna analiza wybranych klasyfikatorów dla danych funkcjonalnych w kontekście ich zastosowań w ekonomii. Acta Universitatis Lodziensis. Folia Oeconomica, 2(347), 71–90. https://doi.org/10.18778/0208-6018.347.05

Numer

Dział

Artykuł

Podobne artykuły

<< < 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 > >> 

Możesz również Rozpocznij zaawansowane wyszukiwanie podobieństw dla tego artykułu.