Staff View: Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada

Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2016.

Main Author:	Mendes, Felipe Franco
Other Authors:	Silva, Alan Ricardo da
Format:	Dissertação
Language:	Português
Published:	2017
Subjects:	Análise espacial (Estatística) Regressão geograficamente ponderada Algoritmos genéticos
Online Access:	http://repositorio.unb.br/handle/10482/23069 http://dx.doi.org/10.26512/2016.12.D.23069
Tags:	Add Tag No Tags, Be the first to tag this record!

id	ir-10482-23069
recordtype	dspace
spelling	ir-10482-230692021-11-17T00:41:15Z Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada Mendes, Felipe Franco Silva, Alan Ricardo da Análise espacial (Estatística) Regressão geograficamente ponderada Algoritmos genéticos Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2016. Os modelos da Regressão Geograficamente Ponderada são muito sensíveis à escolha do parâmetro de suavização. E essa escolha é tradicionalmente feita através do algoritmo Otimização por Seção Áurea, ou do inglês Golden Section Search. Esse algoritmo é aplicado com uma função que quantifica a eficiência do modelo, procurando, portanto, o parâmetro ótimo que resulta no melhor modelo. Neste trabalho, estudou-se o comportamento da função de validação cruzada e verificou-se que ela não é estritamente convexa, o que faz com que o algoritmo Otimização por Seção Áurea possa convergir para mínimos locais. Três algoritmos foram propostos para encontrar o parâmetro de suavização ótimo, sendo eles o algoritmo Relâmpago, o algoritmo Harmônico e uma adaptação do algoritmo Otimização por Seção Áurea. Além disso, foram feitas comparações entre os algoritmos, e fora apresentado a influência da escolha do parâmetro de suavização nos modelos da Regressão Geograficamente Ponderada. Constatou-se que o algoritmo Otimização por Seção Áurea não é o mais adequado nesta situação, pois em mais de um exemplo ele resultou em um parâmetro muito distante do parâmetro de suavização ótimo. Também verificou-se que os modelos com o parâmetro de suavização encontrado incorretamente possuem estimadores com significância muito diferente em relação aos modelos com o parâmetro ótimo. Outro ponto observado foi o tempo demasiado grande que os algoritmos Relâmpago e Harmônico gastam no processamento para encontrar o parâmetro ótimo. The GeographicallyWeighted Regression models are very sensitive to the choice of the bandwidh. And this choice is traditionally made through the Golden Section Search algorithm. This algorithm is applied with a function that quantifies the efficiency of the model, therefore, looking for the optimal parameter that results in the best model. In this work, the behavior of the Cross-Validation function was studied and it was verified that it is not strictly convex, which makes the Golden Section Search algorithm converges to local minimums. Three algorithms were proposed to find the optimal bandwidth: the Lightning algorithm, the Harmonic algorithm and an adaptation of the Golden Section Search algorithm. In addition, comparisons were made between the algorithms, and a set of influence of the choice of the bandwidth in the Geographically Weighted Regression models. It was found that the Golden Section Search algorithm is not the most adequate in this situation, because in more than one example it resulted in a value too far from the optimal bandwidth. It was also verified that the models with the bandwidth found incorrectly have estimators with very different significance in relation to the models with the optimal parameter. Another point observed was the large processing time that the Lightning and Harmonic algorithms spend to find the optimal bandwidth. 2017-03-27T14:26:38Z 2017-03-27T14:26:38Z 2017-03-27 2016-12 Dissertação MENDES, Felipe Franco. Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada. 2016. ii, 82 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2016. http://repositorio.unb.br/handle/10482/23069 http://dx.doi.org/10.26512/2016.12.D.23069 Português Acesso Aberto A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. application/pdf
institution	REPOSITORIO UNB
collection	REPOSITORIO UNB
language	Português
topic	Análise espacial (Estatística) Regressão geograficamente ponderada Algoritmos genéticos
spellingShingle	Análise espacial (Estatística) Regressão geograficamente ponderada Algoritmos genéticos Mendes, Felipe Franco Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
description	Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2016.
author2	Silva, Alan Ricardo da
format	Dissertação
author	Mendes, Felipe Franco
author_sort	Mendes, Felipe Franco
title	Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
title_short	Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
title_full	Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
title_fullStr	Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
title_full_unstemmed	Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
title_sort	determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
publishDate	2017
url	http://repositorio.unb.br/handle/10482/23069 http://dx.doi.org/10.26512/2016.12.D.23069
_version_	1721216726402596864
score	13.657419

Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada

Similar Items