Outliers in regression modelling: Influential vs. non-influential values and detection using information criteria

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27510%2F19%3A10243466" target="_blank" >RIV/61989100:27510/19:10243466 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Outliers in regression modelling: Influential vs. non-influential values and detection using information criteria

Popis výsledku v původním jazyce

In the estimation of regression models in urban valuation, the detection of atypical values is of great importance to avoid possible spurious results, as a small subset of these observations, can exert a high influence in the parameters estimates. The Akaike Information Criterion is used to characterize multivariate outliers in non-robust regression modelling. The discriminating power to detect those outliers that are influential observations is analyzed, obtaining better results that with the classic methods available in well-known statistical packages in regression. This is of great importance in the construction of estimation models. A simulation modelling is performed to assess the validity of the proposed procedure in contrast with classical outlier detection methods in regression. The use of a Monte Carlo simulation study is motivated on the difficulties in the analysis of the sampling distribution of the AIC.

Název v anglickém jazyce

Outliers in regression modelling: Influential vs. non-influential values and detection using information criteria

Popis výsledku anglicky

In the estimation of regression models in urban valuation, the detection of atypical values is of great importance to avoid possible spurious results, as a small subset of these observations, can exert a high influence in the parameters estimates. The Akaike Information Criterion is used to characterize multivariate outliers in non-robust regression modelling. The discriminating power to detect those outliers that are influential observations is analyzed, obtaining better results that with the classic methods available in well-known statistical packages in regression. This is of great importance in the construction of estimation models. A simulation modelling is performed to assess the validity of the proposed procedure in contrast with classical outlier detection methods in regression. The use of a Monte Carlo simulation study is motivated on the difficulties in the analysis of the sampling distribution of the AIC.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

50202 - Applied Economics, Econometrics

Projekt

<a href="/cs/project/EE2.3.20.0296" target="_blank" >EE2.3.20.0296: Výzkumný tým pro modelování ekonomických a finančních procesů na VŠB-TU Ostrava</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 13th International Conference on Strategic Management and its Support by Information Systems: May 21th-22th, 2019, Ostrava, Czech Republic

ISBN

978-80-248-4305-6

ISSN

2570-5776

e-ISSN

—

Počet stran výsledku

12

Strana od-do

261-272

Název nakladatele

VŠB - Technical University of Ostrava

Místo vydání

Ostrava

Místo konání akce

Ostrava

Datum konání akce

21. 5. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—