Comparison of methods for generalized linear mixed models parameters estimation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F17%3A00316350" target="_blank" >RIV/68407700:21340/17:00316350 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Comparison of methods for generalized linear mixed models parameters estimation
Popis výsledku v původním jazyce
During the last few years generalized linear mixed models have been increasingly used to solve a large variety of problems ranging from medical research to insurance. GLMMs are an extension of generalized linear models that contain both fixed and random effects (hence mixed models). After the idea of these models is presented, the logistic regression model, which is a member of this group of models that is used in small area estimation, is focused on. Two methods of parameter estimation are used, namely the EM algorithm and the PQL method, and they are compared by means of a simulation experiment. The properties of parameter estimates obtained by the respective methods is then studied with respect to increasing data contamination.
Název v anglickém jazyce
Comparison of methods for generalized linear mixed models parameters estimation
Popis výsledku anglicky
During the last few years generalized linear mixed models have been increasingly used to solve a large variety of problems ranging from medical research to insurance. GLMMs are an extension of generalized linear models that contain both fixed and random effects (hence mixed models). After the idea of these models is presented, the logistic regression model, which is a member of this group of models that is used in small area estimation, is focused on. Two methods of parameter estimation are used, namely the EM algorithm and the PQL method, and they are compared by means of a simulation experiment. The properties of parameter estimates obtained by the respective methods is then studied with respect to increasing data contamination.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
50403 - Social topics (Women´s and gender studies; Social issues; Family studies; Social work)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
SPMS 2017 - Stochastic and Physical Monitoring Systems, Proceedings of the international conference
ISBN
978-80-01-06338-5
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
41-47
Název nakladatele
Česká technika - nakladatelství ČVUT
Místo vydání
Praha
Místo konání akce
Dobřichovice
Datum konání akce
19. 6. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000425554500006