On the Bayesian Interpretation of Penalized Statistical Estimators

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F23%3A00583574" target="_blank" >RIV/67985556:_____/23:00583574 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/23:00579680

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-031-42508-0_31" target="_blank" >http://dx.doi.org/10.1007/978-3-031-42508-0_31</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-42508-0_31" target="_blank" >10.1007/978-3-031-42508-0_31</a>

Jazyk výsledku

angličtina

Název v původním jazyce

On the Bayesian Interpretation of Penalized Statistical Estimators

Popis výsledku v původním jazyce

The aim of this work is to search for intuitive interpretations of penalized statistical estimators. Penalized estimates of the parameters of three models obtained by Bayesian reasoning are explained here to correspond to the intuition. First, the paper considers Bayesian estimates of the mean and covariance matrix for the multivariate normal distribution. Second, a connection of a robust regularized version of Mahalanobis distance with Bayesian estimation is discussed. Third, regularization networks, which represent a common nonparametric tool for regression modeling, are presented as Bayesian methods as well. On the whole, selected important multivariate and/or regression models are considered and novel interpretations are formulated.

Název v anglickém jazyce

On the Bayesian Interpretation of Penalized Statistical Estimators

Popis výsledku anglicky

The aim of this work is to search for intuitive interpretations of penalized statistical estimators. Penalized estimates of the parameters of three models obtained by Bayesian reasoning are explained here to correspond to the intuition. First, the paper considers Bayesian estimates of the mean and covariance matrix for the multivariate normal distribution. Second, a connection of a robust regularized version of Mahalanobis distance with Bayesian estimation is discussed. Third, regularization networks, which represent a common nonparametric tool for regression modeling, are presented as Bayesian methods as well. On the whole, selected important multivariate and/or regression models are considered and novel interpretations are formulated.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/GA21-05325S" target="_blank" >GA21-05325S: Moderní neparametrické metody v ekonometrii</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

Artificial Intelligence and Soft Computing. 22nd International Conference, ICAISC 2023, Proceedings, Part 2

ISBN

978-3-031-42507-3

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

343-352

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Zakopane

Datum konání akce

18. 7. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001155257400031