| DC Field | Value | Language |
|---|
| dc.contributor.author | Пашкевич, М. А. | - |
| dc.date.accessioned | 2018-04-04T13:05:33Z | - |
| dc.date.available | 2018-04-04T13:05:33Z | - |
| dc.date.issued | 2005 | - |
| dc.identifier.citation | Пашкевич, М. А. Минимаксное оценивание и прогнозирование для группированных бинарных данных с искажениями = Minimax estimation and forecasting for clustered binary data with misclassifications / М. А. Пашкевич // Доклады БГУИР. – 2005. – № 1 (9). – С. 104–109. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/30858 | - |
| dc.description.abstract | Предлагаются методы робастного оценивания и прогнозирования для бета-иерархических моделей группированных бинарных данных с искаженными результатами наблюдений. Доказано, что оценки параметров моделей, оптимальные в смысле минимакса смещения, вычисляются на середине интервалов искажений, а прогноз, оптимальный в смысле минимакса риска,
достигается при максимально возможных уровнях искажений. Теоретические результаты иллюстрируются компьютерным моделированием. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | доклады БГУИР | ru_RU |
| dc.subject | группированные бинарные данные | ru_RU |
| dc.subject | оценивание | ru_RU |
| dc.subject | прогнозирование | ru_RU |
| dc.subject | бета-иерархические модели | ru_RU |
| dc.subject | искажения | ru_RU |
| dc.subject | робастность | ru_RU |
| dc.title | Минимаксное оценивание и прогнозирование для группированных бинарных данных с искажениями | ru_RU |
| dc.title.alternative | Minimax estimation and forecasting for clustered binary data with misclassifications | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | The paper proposes new minimax identification and forecasting techniques for the beta-mixed
hierarchical models of the clustered binary data with misclassified observations. For the known misclassification probability intervals, it is proved that the b-robust bias-corrected estimator is calculated for the
mean misclassification probabilities, while the optimal predictor that ensures the minimum risk of foresting is reached on the upper bound of the intervals. The performance of the obtained theoretical results is
verified via computer simulation. | - |
| Appears in Collections: | №1 (9)
|
