Regularization techniques in joinpoint regression

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F16%3A10330046" target="_blank" >RIV/00216208:11320/16:10330046 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/article/10.1007/s00362-016-0823-2?wt_mc=Internal.Event.1.SEM.ArticleAuthorOnlineFirst" target="_blank" >http://link.springer.com/article/10.1007/s00362-016-0823-2?wt_mc=Internal.Event.1.SEM.ArticleAuthorOnlineFirst</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s00362-016-0823-2" target="_blank" >10.1007/s00362-016-0823-2</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Regularization techniques in joinpoint regression

Popis výsledku v původním jazyce

Joinpoint regression models are popular in various situations (modeling different trends in economics, mortality and incidence series or epidemiology studies and clinical trials). The literature on joinpoint regression mostly focuses on either the frequentist point of view, or discusses Bayesian approaches instead. A model selection step in all these scenarios considers only some limited set of alternatives, from which the final model is chosen. We present a different model estimation approach: the final model is selected out of all possible alternatives admitted by the data. We apply the L1L1-regularization idea and via the sparsity principle we identify significant joinpoint locations to construct the final model. Some theoretical results and practical examples are given as well.

Název v anglickém jazyce

Regularization techniques in joinpoint regression

Popis výsledku anglicky

Joinpoint regression models are popular in various situations (modeling different trends in economics, mortality and incidence series or epidemiology studies and clinical trials). The literature on joinpoint regression mostly focuses on either the frequentist point of view, or discusses Bayesian approaches instead. A model selection step in all these scenarios considers only some limited set of alternatives, from which the final model is chosen. We present a different model estimation approach: the final model is selected out of all possible alternatives admitted by the data. We apply the L1L1-regularization idea and via the sparsity principle we identify significant joinpoint locations to construct the final model. Some theoretical results and practical examples are given as well.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BA - Obecná matematika

OECD FORD obor

—

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Statistical Papers

ISSN

0932-5026

e-ISSN

—

Svazek periodika

57

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

17

Strana od-do

939-955

Kód UT WoS článku

000387849900006

EID výsledku v databázi Scopus

2-s2.0-84988417402