Statistical Methods for Regression Models With Missing Data
Název práce v češtině: | Statistické metody pro regresní modely s chybějícími daty |
---|---|
Název v anglickém jazyce: | Statistical Methods for Regression Models With Missing Data |
Klíčová slova: | Stratifikovaný výběr, chybějící data, lineární regrese, pomocné proměnné, dvojitě robustní odhad |
Klíčová slova anglicky: | Stratified sampling, missing data, linear regression, auxiliary variables, doubly robust estimator |
Akademický rok vypsání: | 2015/2016 |
Typ práce: | diplomová práce |
Jazyk práce: | angličtina |
Ústav: | Katedra pravděpodobnosti a matematické statistiky (32-KPMS) |
Vedoucí / školitel: | doc. Mgr. Michal Kulich, Ph.D. |
Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
Datum přihlášení: | 22.02.2016 |
Datum zadání: | 22.02.2016 |
Datum potvrzení stud. oddělením: | 02.03.2016 |
Datum a čas obhajoby: | 07.06.2018 08:00 |
Datum odevzdání elektronické podoby: | 10.05.2018 |
Datum odevzdání tištěné podoby: | 11.05.2018 |
Datum proběhlé obhajoby: | 07.06.2018 |
Oponenti: | doc. Ing. Marek Omelka, Ph.D. |
Zásady pro vypracování |
Práce se bude zabývat problémem odhadu parametrů regresního modelu s chybějícími údaji v regresorech. Vysvětlí a porovná některé přístupy navržené pro řešení těchto problémů a probere vybrané speciální případy. Součástí práce bude vyhodnocení praktických vlastností těchto metod pomocí simulací. |
Seznam odborné literatury |
Jewell, N.P. (1985) Least squares regression with data arising from stratified samples of the dependent variable. Biometrika, 72, 11-21.
Lumley, T. (2010) Complex Surveys. A Guide to Analysis Using R. Hoboken: Wiley. Rubin D.B. (1976) Inference and missing data. Biometrika, 63, 581-92. Robins, J.M., Rotnitzky, A., Zhao, L.P. (1994) Estimation of regression coefficients when some regressors are not always observed. JASA, 89, 846-66. Tsiatis, A.A. (2006) Semiparametric Theory and Missing Data. New York: Springer. |
Předběžná náplň práce |
Téma je široké, lze jej však pojmout několika různými způsoby podle zájmu a schopností studenta - např. soustředit se na pokročilou teorii semiparametrických modelů s perspektivou pokračování výzkumu v rámci doktorského studia nebo vypracovat přehledovou studii určitých metod s důrazem na jejich porovnání nebo zdůraznit simulační, výpočtovou či praktickou část studované problematiky. Získané vědomosti lze snadno uplatnit v praxi.
Téma předpokládá absolvování předmětů NMST432 Pokročilé regresní modely, NMST434 Moderní statistické metody a NMST438 Výběrová šetření. |