國立高雄大學圖資館 |

語系: 繁體中文

說明(常見問題)

圖資館首頁

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

運用組合資料於PLS2演算法之比較 = PLS2 Algorithms ...

國立高雄大學統計學研究所

運用組合資料於PLS2演算法之比較 = PLS2 Algorithms Comparison On Compositional Data

紀錄類型:	書目-語言資料,印刷品 : 單行本
並列題名:	PLS2 Algorithms Comparison On Compositional Data
作者:	張珮甄,
其他團體作者:	國立高雄大學
出版地:	[高雄市]
出版者:	撰者;
出版年:	2012[民101]
面頁冊數:	93面表格 : 30公分;
標題:	偏最小平方法
標題:	Partial Least Squares
電子資源:	http://handle.ncl.edu.tw/11296/ndltd/59526356881451751549
附註:	參考書目：面26-27
附註:	附錄：1.表附錄；2.程式碼
摘要註:	在資料分析中，組合資料常應用在社會學、經濟學，像是投資、消費結構等領域中，因為組合資料能夠傳達資料間相對訊息，因此常用來討論變數之間的結構關係。由於組合資料被廣泛應用於各領域，PLS2的方法被廣泛應用作為分析小樣本下變數之間關係的統計工具，且在P大n小的情況下PLS2的方法近年來也被廣泛應用。本文中我們將運用組合資料於五種PLS2的方法，並介紹五種PLS2演算法則以及我們建議的修訂，最後透過模擬的方式將資料分為中心化和標準化，比較五種PLS2演算法則之間的優劣，找出能較準確預測模型的演算法則，也討論了在P大n小的情況下透過計算累積解釋變異選取較精簡的預測模型。 In data analysis, compositional data are widely used in sociology, economics, such as investment, consumption structure fields, etc. Because compositional data carry relative information, so they are often used to discuss the relationships of variables structure. The type of compositional data is widely used, and PLS2 method is widely used in discussing the relationship between variables as statistical technique in analysis under small samples. Recently, PLS2 algorithms are also discussed and applied to the issue of large P small n problem. In this paper, we will use compositional data on five PLS2 algorithms. In the end, we will compare the five PLS2 algorithms to find out whether some algorithms will give the better predicted model through simulations, and use the proportion of the total variance accounted for by the model to choose the simplified predicted model.

運用組合資料於PLS2演算法之比較 = PLS2 Algorithms Comparison On Compositional Data
張, 珮甄

運用組合資料於PLS2演算法之比較 = PLS2 Algorithms Comparison On Compositional Data / 張珮甄撰 - [高雄市] : 撰者, 2012[民101]. - 93面 ; 表格 ; 30公分.
參考書目：面26-27附錄：1.表附錄；2.程式碼.
偏最小平方法Partial Least Squares

運用組合資料於PLS2演算法之比較 = PLS2 Algorithms Comparison On Compositional Data
LDR:02725nam0a2200289 450 001 346150
005 20170214100042.0
009 346150
010 0 $b 精裝
010 0 $b 平裝
100 $a 20170214d2012 k y0chiy05 e
101 1 $a chi $d chi $d eng
102 $a tw
105 $a k am 000yy
200 1 $a 運用組合資料於PLS2演算法之比較 $d PLS2 Algorithms Comparison On Compositional Data $z eng $f 張珮甄撰
210 $a [高雄市] $c 撰者 $d 2012[民101]
215 0 $a 93面 $c 表格 $d 30公分
300 $a 參考書目：面26-27
300 $a 附錄：1.表附錄；2.程式碼
314 $a 指導教授：陳俞成博士
328 $a 碩士論文--國立高雄大學統計學研究所
330 $a 在資料分析中，組合資料常應用在社會學、經濟學，像是投資、消費結構等領域中，因為組合資料能夠傳達資料間相對訊息，因此常用來討論變數之間的結構關係。由於組合資料被廣泛應用於各領域，PLS2的方法被廣泛應用作為分析小樣本下變數之間關係的統計工具，且在P大n小的情況下PLS2的方法近年來也被廣泛應用。本文中我們將運用組合資料於五種PLS2的方法，並介紹五種PLS2演算法則以及我們建議的修訂，最後透過模擬的方式將資料分為中心化和標準化，比較五種PLS2演算法則之間的優劣，找出能較準確預測模型的演算法則，也討論了在P大n小的情況下透過計算累積解釋變異選取較精簡的預測模型。 In data analysis, compositional data are widely used in sociology, economics, such as investment, consumption structure fields, etc. Because compositional data carry relative information, so they are often used to discuss the relationships of variables structure. The type of compositional data is widely used, and PLS2 method is widely used in discussing the relationship between variables as statistical technique in analysis under small samples. Recently, PLS2 algorithms are also discussed and applied to the issue of large P small n problem. In this paper, we will use compositional data on five PLS2 algorithms. In the end, we will compare the five PLS2 algorithms to find out whether some algorithms will give the better predicted model through simulations, and use the proportion of the total variance accounted for by the model to choose the simplified predicted model.
510 1 $a PLS2 Algorithms Comparison On Compositional Data $z eng
610 0 $a 偏最小平方法 $a 組合資料
610 1 $a Partial Least Squares $a Compositional Data
681 $a 008M/0019 $b 343201 1111 $v 2007年版
700 1 $a 張 $b 珮甄 $4 撰 $3 576370
712 0 2 $a 國立高雄大學 $b 統計學研究所 $3 166081
801 0 $a tw $b NUK $c 20121108 $g CCR
856 7 $z 電子資源 $2 http $u http://handle.ncl.edu.tw/11296/ndltd/59526356881451751549