Robusteja tilastollisia menetelmiä hyvin moniulotteiselle datalle

  • Ollila, Esa (Vastuullinen tutkija)
  • Raninen, Elias (Projektin jäsen)
  • Basiri, Shahab (Projektin jäsen)
  • Tabassum, Muhammad Naveed (Projektin jäsen)
  • Mian, Ammar (Projektin jäsen)

Projektin yksityiskohdat

Tiivistelmä

Nykypäivän data on usein hyvin korkeaulotteista. Korkeauloitteisuus tarkoittaa tyypillisesti, että otoskoko on pienempi tai ei paljon isompi kuin dimensio, joka taas voi olla huomattavan iso (useita kymmeniä tuhansia). Tämä tarkoittaa, että klassisessa regressiomallissa kovariaattien määrä voi ylittää otosten lukumäärän, mikä on ristiriidassa perinteisen regressioanalyysin oletusten kanssa. Datajoukot, joissa on iso määrä muuttujia, mutta suhteellisesti pieni otoskoko asettaa ennenkuulumattomia haasteita ja mahdollisuuksia tilastolliselle data analyysille. Tämän tutkimuksen tavoitteena on kehittää uusia robusteja tilastollisia monimuuttuja-analyysin menetelmiä isoille datoille. Erityisesti tutkimuksessa kehitetään robusteja hyvin korkeaulotteisia kovarianssimatriisin estimaatteja sekä stukturoituja moniulotteisen regression estimaattoreita. Lisäksi kehitetään uusia skaalautuvia ja hajautettuja uusio-otantaan pohjautuvia robusteja tilastollisia päätöksentekomenetelmiä.
LyhytotsikkoAKA-Robust
TilaPäättynyt
Todellinen alku/loppupvm01/09/201631/12/2020

Sormenjälki

Tutustu tutkimuksen aiheisiin, joita tämä projekti koskee. Nämä merkinnät luodaan taustalla olevien stipendien/apurahojen perusteella. Yhdessä ne muodostavat ainutlaatuisen sormenjäljen.