1,721,047 research outputs found
Modelli di analisi per dati complessi: l'integrazione tra micro e macro nella ricerca multilevel
No full textL’approccio fattoriale per l’integrazione delle dimensioni micro e macro
No full textLa spiegazione dei fenomeni individuali. attraverso le sole caratteristiche dell'individuo, porta in molti casi a risultati insoddisfacenti anche quando sono state prese in considerazione tutte le informazioni rilevanti. Il problema non risiede nella carenza di informazione a livello individuale, ma piuttosto nell'ipotizzare gli individui come completamente indipendenti dal contesto in cui vivono e. agiscono. Nelle situazioni reali, almeno per quanto riguarda i fenomeni umani, il quadro è ben più articolato poiché l'ambiente definito mediante norme. strutture, servizi. tessuto economico, sociale c culturale. intcragisce con l'azione individuale creando delle similitudini tra individui appartenenti al medesimo contesto. Siamo perciò in presenza di due diverse dimensioni, quella micro c quella macro. che intcragiscono tra loro instaurando relazioni di dipendenza o interdipendcnza tra le variabili a loro corrispondenti. Non volendo limitare la problematica dell'integrazione del micro con il macro al solo rapporto individuoambiente_ possiamo riferirei più in generale ad una situazione osservazionalc in cui è presente una struttura di tipo gerarchico. dove si possono individuare unità statistiche di primo livello, o micro, contenute in unità di secondo livello. o macro. ..
Improving nonparametric regression methods by bagging and boosting
No full textRecently, many authors have proposed new algorithms to improve the accuracy of certain classifiers by assembling a collection of individual classifiers obtained resampling on the training sample. Bagging and boosting are well-known methods in the machine learning context and they have been proved to be successful in classification problems. In the regression context, the application of these techniques has received little investigation. Our aim is to analyse, by simulation studies, when boosting and bagging can reduce the training set error and the generalization error, using nonparametric regression methods as predictors, In this work, we will consider three methods: projection pursuit regression (PPR), multivariate adaptive regression splines (MARS), local learning based on recursive covering (DART). (C) 2002 Elsevier Science B.V. All rights reserved
Valutazione della performance del bagging e del boosting nella regressione non-parametrica.
No full text
- …
