Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada

Detalhes bibliográficos
Autor(a) principal: Mendes, Felipe Franco
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio.unb.br/handle/10482/23069
http://dx.doi.org/10.26512/2016.12.D.23069
Resumo: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2016.
id UNB_3c5cbf5d266163784c3b5df24634e3bc
oai_identifier_str oai:repositorio.unb.br:10482/23069
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderadaAnálise espacial (Estatística)Regressão geograficamente ponderadaAlgoritmos genéticosDissertação (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.Instituto de Ciências Exatas (IE)Departamento de Estatística (IE EST)Programa de Pós-Graduação em EstatísticaSilva, Alan Ricardo daMendes, Felipe Franco2017-03-27T14:26:38Z2017-03-27T14:26:38Z2017-03-272016-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMENDES, 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/10482/23069http://dx.doi.org/10.26512/2016.12.D.23069A 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.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-03-01T16:22:33Zoai:repositorio.unb.br:10482/23069Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-03-01T16:22:33Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
title Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
spellingShingle Determinação do parâmetro de suavização ótimo na regressão geograficamente ponderada
Mendes, Felipe Franco
Análise espacial (Estatística)
Regressão geograficamente ponderada
Algoritmos genéticos
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
author Mendes, Felipe Franco
author_facet Mendes, Felipe Franco
author_role author
dc.contributor.none.fl_str_mv Silva, Alan Ricardo da
dc.contributor.author.fl_str_mv Mendes, Felipe Franco
dc.subject.por.fl_str_mv Análise espacial (Estatística)
Regressão geograficamente ponderada
Algoritmos genéticos
topic Análise espacial (Estatística)
Regressão geograficamente ponderada
Algoritmos genéticos
description Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2016.
publishDate 2016
dc.date.none.fl_str_mv 2016-12
2017-03-27T14:26:38Z
2017-03-27T14:26:38Z
2017-03-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 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
identifier_str_mv 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.
url http://repositorio.unb.br/handle/10482/23069
http://dx.doi.org/10.26512/2016.12.D.23069
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508388073078784

Registros relacionados