Intervalldaten und generalisierte lineare Modelle View Full Text


Ontology type: schema:Book     


Book Info

DATE

2015

GENRE

Monograph

AUTHORS

Michael Seitz

PUBLISHER

Springer Nature

ABSTRACT

Da eine direkte präzise Schätzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht möglich ist, formuliert Michael Seitz die Intervallschätzungen der Parameter als Optimierungsproblem und schlägt numerische Verfahren vor, um diese zu lösen. Die Herausforderung liegt dabei in der numerischen Lösung des hochdimensionalen Optimierungsproblems. Dieses wird hier näherungsweise mit einer Kombination aus bekannten numerischen Verfahren für nicht-lineare Zielfunktionen und heuristischem Vorgehen gelöst. Des Weiteren werden für einige Spezialfälle andere zuverlässigere Verfahren vorgestellt. Der Inhalt Numerische Optimierungsverfahren zur Lösung des Problems Direkte Optimierung der Parameter und Optimierung Anwendung der Verfahren auf simulierte Daten Die Zielgruppen Dozenten und Studenten der Mathematik mit den Schwerpunkten Statistik und Informatik Praktiker, die sich mit Statistik und Datenanalyse befassen Der Autor Michael Seitz verfasste seine Masterarbeit bei Prof. Dr. Thomas Augustin am Institut für Statistik an der Ludwig-Maximilians-Universität München und promoviert derzeit an der Technischen Universität München. More... »

Identifiers

URI

http://scigraph.springernature.com/pub.10.1007/978-3-658-08746-3

DOI

http://dx.doi.org/10.1007/978-3-658-08746-3

ISBN

978-3-658-08745-6 | 978-3-658-08746-3

DIMENSIONS

https://app.dimensions.ai/details/publication/pub.1019343425


Indexing Status Check whether this publication has been indexed by Scopus and Web Of Science using the SN Indexing Status Tool
Incoming Citations Browse incoming citations for this publication using opencitations.net

JSON-LD is the canonical representation for SciGraph data.

TIP: You can open this SciGraph record using an external JSON-LD service: JSON-LD Playground Google SDTT

[
  {
    "@context": "https://springernature.github.io/scigraph/jsonld/sgcontext.json", 
    "author": [
      {
        "affiliation": {
          "alternateName": "Fakult\u00e4t f\u00fcr Informatik und Mathematik, Hochschule M\u00fcnchen, M\u00fcnchen, Germany", 
          "id": "http://www.grid.ac/institutes/grid.434949.7", 
          "name": [
            "Fakult\u00e4t f\u00fcr Informatik und Mathematik, Hochschule M\u00fcnchen, M\u00fcnchen, Germany"
          ], 
          "type": "Organization"
        }, 
        "familyName": "Seitz", 
        "givenName": "Michael", 
        "id": "sg:person.013540646657.07", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.013540646657.07"
        ], 
        "type": "Person"
      }
    ], 
    "datePublished": "2015", 
    "datePublishedReg": "2015-01-01", 
    "description": "Da eine direkte pr\u00e4zise Sch\u00e4tzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht m\u00f6glich ist, formuliert Michael Seitz die Intervallsch\u00e4tzungen der Parameter als Optimierungsproblem und schl\u00e4gt numerische Verfahren vor, um diese zu l\u00f6sen. Die Herausforderung liegt dabei in der numerischen L\u00f6sung des hochdimensionalen Optimierungsproblems. Dieses wird hier n\u00e4herungsweise mit einer Kombination aus bekannten numerischen Verfahren f\u00fcr nicht-lineare Zielfunktionen und heuristischem Vorgehen gel\u00f6st. Des Weiteren werden f\u00fcr einige Spezialf\u00e4lle andere zuverl\u00e4ssigere Verfahren vorgestellt. Der Inhalt Numerische Optimierungsverfahren zur L\u00f6sung des Problems Direkte Optimierung der Parameter und Optimierung Anwendung der Verfahren auf simulierte Daten Die Zielgruppen Dozenten und Studenten der Mathematik mit den Schwerpunkten Statistik und Informatik Praktiker, die sich mit Statistik und Datenanalyse befassen Der Autor Michael Seitz verfasste seine Masterarbeit bei Prof. Dr. Thomas Augustin am Institut f\u00fcr Statistik an der Ludwig-Maximilians-Universit\u00e4t M\u00fcnchen und promoviert derzeit an der Technischen Universit\u00e4t M\u00fcnchen.", 
    "genre": "monograph", 
    "id": "sg:pub.10.1007/978-3-658-08746-3", 
    "inLanguage": "de", 
    "isAccessibleForFree": false, 
    "isbn": [
      "978-3-658-08745-6", 
      "978-3-658-08746-3"
    ], 
    "name": "Intervalldaten und generalisierte lineare Modelle", 
    "productId": [
      {
        "name": "dimensions_id", 
        "type": "PropertyValue", 
        "value": [
          "pub.1019343425"
        ]
      }, 
      {
        "name": "doi", 
        "type": "PropertyValue", 
        "value": [
          "10.1007/978-3-658-08746-3"
        ]
      }
    ], 
    "publisher": {
      "name": "Springer Nature", 
      "type": "Organisation"
    }, 
    "sameAs": [
      "https://doi.org/10.1007/978-3-658-08746-3", 
      "https://app.dimensions.ai/details/publication/pub.1019343425"
    ], 
    "sdDataset": "books", 
    "sdDatePublished": "2022-01-01T19:05", 
    "sdLicense": "https://scigraph.springernature.com/explorer/license/", 
    "sdPublisher": {
      "name": "Springer Nature - SN SciGraph project", 
      "type": "Organization"
    }, 
    "sdSource": "s3://com-springernature-scigraph/baseset/20220101/entities/gbq_results/book/book_7.jsonl", 
    "type": "Book", 
    "url": "https://doi.org/10.1007/978-3-658-08746-3"
  }
]
 

Download the RDF metadata as:  json-ld nt turtle xml License info

HOW TO GET THIS DATA PROGRAMMATICALLY:

JSON-LD is a popular format for linked data which is fully compatible with JSON.

curl -H 'Accept: application/ld+json' 'https://scigraph.springernature.com/pub.10.1007/978-3-658-08746-3'

N-Triples is a line-based linked data format ideal for batch operations.

curl -H 'Accept: application/n-triples' 'https://scigraph.springernature.com/pub.10.1007/978-3-658-08746-3'

Turtle is a human-readable linked data format.

curl -H 'Accept: text/turtle' 'https://scigraph.springernature.com/pub.10.1007/978-3-658-08746-3'

RDF/XML is a standard XML format for linked data.

curl -H 'Accept: application/rdf+xml' 'https://scigraph.springernature.com/pub.10.1007/978-3-658-08746-3'


 

This table displays all metadata directly associated to this object as RDF triples.

42 TRIPLES      19 PREDICATES      23 URIs      18 LITERALS      5 BLANK NODES

Subject Predicate Object
1 sg:pub.10.1007/978-3-658-08746-3 schema:author Nfeb81be086854a87b28f5f40a02dc31e
2 schema:datePublished 2015
3 schema:datePublishedReg 2015-01-01
4 schema:description Da eine direkte präzise Schätzung von Parametern mit Intervalldaten in generalisierten linearen Modellen nicht möglich ist, formuliert Michael Seitz die Intervallschätzungen der Parameter als Optimierungsproblem und schlägt numerische Verfahren vor, um diese zu lösen. Die Herausforderung liegt dabei in der numerischen Lösung des hochdimensionalen Optimierungsproblems. Dieses wird hier näherungsweise mit einer Kombination aus bekannten numerischen Verfahren für nicht-lineare Zielfunktionen und heuristischem Vorgehen gelöst. Des Weiteren werden für einige Spezialfälle andere zuverlässigere Verfahren vorgestellt. Der Inhalt Numerische Optimierungsverfahren zur Lösung des Problems Direkte Optimierung der Parameter und Optimierung Anwendung der Verfahren auf simulierte Daten Die Zielgruppen Dozenten und Studenten der Mathematik mit den Schwerpunkten Statistik und Informatik Praktiker, die sich mit Statistik und Datenanalyse befassen Der Autor Michael Seitz verfasste seine Masterarbeit bei Prof. Dr. Thomas Augustin am Institut für Statistik an der Ludwig-Maximilians-Universität München und promoviert derzeit an der Technischen Universität München.
5 schema:genre monograph
6 schema:inLanguage de
7 schema:isAccessibleForFree false
8 schema:isbn 978-3-658-08745-6
9 978-3-658-08746-3
10 schema:name Intervalldaten und generalisierte lineare Modelle
11 schema:productId N532bcc37aff948a995da36cee6f0f38f
12 Nfc17b9ca51de46378b86e12b83774c98
13 schema:publisher Nbbc73ecce9594a32a4410e628f26ca14
14 schema:sameAs https://app.dimensions.ai/details/publication/pub.1019343425
15 https://doi.org/10.1007/978-3-658-08746-3
16 schema:sdDatePublished 2022-01-01T19:05
17 schema:sdLicense https://scigraph.springernature.com/explorer/license/
18 schema:sdPublisher N5158e3a8ae9c4f6bbecc3406df26005b
19 schema:url https://doi.org/10.1007/978-3-658-08746-3
20 sgo:license sg:explorer/license/
21 sgo:sdDataset books
22 rdf:type schema:Book
23 N5158e3a8ae9c4f6bbecc3406df26005b schema:name Springer Nature - SN SciGraph project
24 rdf:type schema:Organization
25 N532bcc37aff948a995da36cee6f0f38f schema:name doi
26 schema:value 10.1007/978-3-658-08746-3
27 rdf:type schema:PropertyValue
28 Nbbc73ecce9594a32a4410e628f26ca14 schema:name Springer Nature
29 rdf:type schema:Organisation
30 Nfc17b9ca51de46378b86e12b83774c98 schema:name dimensions_id
31 schema:value pub.1019343425
32 rdf:type schema:PropertyValue
33 Nfeb81be086854a87b28f5f40a02dc31e rdf:first sg:person.013540646657.07
34 rdf:rest rdf:nil
35 sg:person.013540646657.07 schema:affiliation grid-institutes:grid.434949.7
36 schema:familyName Seitz
37 schema:givenName Michael
38 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.013540646657.07
39 rdf:type schema:Person
40 grid-institutes:grid.434949.7 schema:alternateName Fakultät für Informatik und Mathematik, Hochschule München, München, Germany
41 schema:name Fakultät für Informatik und Mathematik, Hochschule München, München, Germany
42 rdf:type schema:Organization
 




Preview window. Press ESC to close (or click here)


...