Academic literature on the topic 'Bayesovské odhady'

V článku se věnujeme srovnání klasické a bayesovské exploratorní faktorové analýzy. Použili jsme náhodně generovaná testovací data s různými velikostmi vzorku, strukturou faktorových nábojů, škálami odpovědí a velikostmi náhodné chyby. Provedli jsme oba druhy exploratorní faktorové analýzy a na základě srovnání výsledků a celkové zkušenosti z provedených analýz můžeme uzavřít, že u klasické a bayesovské exploratorní faktorové analýzy není rozdíl v přesnosti odhadu faktorových nábojů. Bayesovský přístup poskytuje více informací, které jsou intuitivněji interpretovatelné, ale na druhou stranu námi použitý model má i nevýhody, jako je nutnost ruční úpravy zdrojových kódů a časová náročnost výpočtů. Bayesovský přístup je tak podle nás vhodnější spíše pro konfirmatorní faktorovou analýzu.

This thesis is focused on object tracking by a decentralized sensor network using fusion center-based and consensus-based distributed particle filters. The model includes clutter as well as missed detections of the object. The approach uses sparsity of global likelihood function, which, by means of appropriate sparse approximation and the suitable dictionaty selection can significantly reduce communication requirements in the decentralized sensor network. The master's thesis contains a design of exchange methods of sparse data in the sensor network and a comparison of the proposed methods in terms of accuracy and energy requirements.

Táto práca sa zaoberá odstraňovaním šumu, ktorý vzniká z tzv. multilateračných meraní leteckých cieľov. Na tento účel bude využitá najmä teória Bayesovských odhadov. Odvodí sa aposteriórna hustota skutočnej (presnej) polohy lietadla. Spolu s polohou (alebo aj rýchlosťou) lietadla bude odhadovaná tiež geometria trajektórie lietadla, ktorú lietadlo v aktuálnom čase sleduje a tzv. procesný šum, ktorý charakterizuje ako moc sa skutočná trajektória môže od tejto líšiť. Odhad spomínaného procesného šumu je najdôležitejšou časťou tejto práce. Je odvodený prístup maximálnej vierohodnosti a Bayesovský prístup a ďalšie rôzne vylepšenia a úpravy týchto prístupov. Tie zlepšujú odhad pri napr. zmene manévru cieľa alebo riešia problém počiatočnej nepresnosti odhadu maximálnej vierohodnosti. Na záver je ukázaná možnosť kombinácie prístupov, t.j. odhad spolu aj geometrie aj procesného šumu.

Dynamic stochastic general equilibrium models are derived from microeconomic principles and they retain the hypothesis of rational expectations under policy changes. Thus they are resistant to the Lucas critique. The DSGE model has become associated with new Keynesian thinking. The basic New Keynesian model is studied in this thesis. The three equations of this model are dynamic IS curve, Phillips-curve and monetary policy rule. Blanchard and Kahn's approach is introduced as the solution strategy for linearized model. Two methods for evaluating DSGE models are presented -- calibration and Bayesian estimation. Calibrated parametres are used to fit the model to Czech economy. The results of numeric experiments are compared with empricial data from Czech republic. DSGE model's suitability for monetary policy analysis is evaluated.

Thesis is dedicated to Bayesian Estimation of DSGE Models. Firstly, the history of DSGE modeling is outlined as well as development of this macroeconometric field in the Czech Republic and in the rest of the world. Secondly, the comprehensive DSGE framework is described in detail. It means that everyone is able to specify or estimate arbitrary DSGE model according to this framework. Thesis contains two empirical studies. The first study describes derivation of the New Keynesian DSGE Model and its estimation using Bayesian techniques. This model is estimated with three different Taylor rules and the best performing Taylor rule is identified using the technique called Bayesian comparison. The second study deals with development of the Small Open Economy Model with housing sector. This model is based on previous study which specifies this model as a closed economy model. I extended this model by open economy features and government sector. Czech Republic is generally considered as a small open economy and these extensions make this model more applicable to this economy. Model contains two types of households. The first type of consumers is able to access the capital markets and they can smooth consumption across time by buying or selling financial assets. These households follow the permanent income hypothesis (PIH). The other type of household uses rule of thumb (ROT) consumption, spending all their income to consumption. Other agents in this economy are specified in standard way. Outcomes of this study are mainly focused on behavior of house prices. More precisely, it means that all main outputs as Bayesian impulse response functions, Bayesian prediction and shock decomposition are focused mainly on this variable. At the end of this study one macro-prudential experiment is performed. This experiment comes up with answer on the following question: is the higher/lower Loan to Value (LTV) ratio better for the Czech Republic? This experiment is very conclusive and shows that level of LTV does not affect GDP. On the other hand, house prices are very sensitive to this LTV ratio. The recommendation for the Czech National Bank could be summarized as follows. In order to keep house prices less volatile implement rather lower LTV ratio than higher.

The master's thesis deals with target tracking. For this a decentralized sensor network using distributed particle filter with likelihood consensus is used. This consensus is based on a sparse representation of local likelihood function in a suitable chosen dictionary. In this thesis two dictionaries are compared: the widely used Fourier dictionary and our proposed B-splines. At the same time, thanks to the sparsity of distributed data, it is possible to implement compressed sensing method. The results are compared in terms of tracking error and communication costs. The thesis also contains scripts and functions in MATLAB.

Zobrazení funkční magnetickou rezonancí (fMRI) využívající "blood-oxygen-level-dependent" efekt jako indikátor lokální aktivity je velmi užitečnou technikou k identifikaci oblastí mozku, které jsou aktivní během percepce, kognice, akce, ale také během klidového stavu. V poslední době také roste zájem o studium konektivity mezi těmito oblastmi, zejména v klidovém stavu. Tato práce předkládá nový a originální přístup k problému nepřímého vztahu mezi měřenou hemodynamickou odezvou a její příčinou, tj. neuronálním signálem. Zmíněný nepřímý vztah komplikuje odhad efektivní konektivity (kauzálního ovlivnění) mezi různými oblastmi mozku z dat fMRI. Novost prezentovaného přístupu spočívá v použití (zobecněné nelineární) techniky slepé dekonvoluce, což dovoluje odhad endogenních neuronálních signálů (tj. vstupů systému) z naměřených hemodynamických odezev (tj. výstupů systému). To znamená, že metoda umožňuje "data-driven" hodnocení efektivní konektivity na neuronální úrovni i v případě, že jsou měřeny pouze zašumělé hemodynamické odezvy. Řešení tohoto obtížného dekonvolučního (inverzního) problému je dosaženo za použití techniky nelineárního rekurzivního Bayesovského odhadu, který poskytuje společný odhad neznámých stavů a parametrů modelu. Práce je rozdělena do tří hlavních částí. První část navrhuje metodu k řešení výše uvedeného problému. Metoda využívá odmocninové formy nelineárního kubaturního Kalmanova filtru a kubaturního Rauch-Tung-Striebelova vyhlazovače, ovšem rozšířených pro účely řešení tzv. problému společného odhadu, který je definován jako simultánní odhad stavů a parametrů sekvenčním přístupem. Metoda je navržena především pro spojitě-diskrétní systémy a dosahuje přesného a stabilního řešení diskretizace modelu kombinací nelineárního (kubaturního) filtru s metodou lokální linearizace. Tato inverzní metoda je navíc doplněna adaptivním odhadem statistiky šumu měření a šumů procesu (tj. šumů neznámých stavů a parametrů). První část práce je zaměřena na inverzi modelu pouze jednoho časového průběhu; tj. na odhad neuronální aktivity z fMRI signálu. Druhá část generalizuje navrhovaný přístup a aplikuje jej na více časových průběhů za účelem umožnění odhadu parametrů propojení neuronálního modelu interakce; tj. odhadu efektivní konektivity. Tato metoda představuje inovační stochastické pojetí dynamického kauzálního modelování, což ji činí odlišnou od dříve představených přístupů. Druhá část se rovněž zabývá metodami Bayesovského výběru modelu a navrhuje techniku pro detekci irelevantních parametrů propojení za účelem dosažení zlepšeného odhadu parametrů. Konečně třetí část se věnuje ověření navrhovaného přístupu s využitím jak simulovaných tak empirických fMRI dat, a je významných důkazem o velmi uspokojivých výsledcích navrhovaného přístupu.

This work is devoted to seeking methods for analysis of survival data with the Aalen model under special circumstances. We supposed, that all regression functions and all covariates of the observed individuals were nonnegative and we named this class of models monotone Aalen models. To find estimators of the unknown regres- sion functions we considered three maximum likelihood based approaches, namely the nonparametric maximum likelihood method, the Bayesian analysis using Beta processes as the priors for the unknown cumulative regression functions and the Bayesian analysis using a correlated prior approach, where the regression functions were supposed to be jump processes with a martingale structure.

The most important component of virtually any dialog system is a dialogue manager. The aim of the dialog manager is to propose an action (a continuation of the dialogue) given the last dialog state. The dialog state summarises all the past user input and the system input and ideally it includes all information necessary for natural progress in the dialog. For the dialog manager to work efficiently, it is important to model the probability distribution over all dialog states as precisely as possible. It is possible that the set of dialog states will be very large, so approximative methods usually must be used. In this thesis we will discuss an implementation of approximate Bayes methods for belief state monitoring. The result is a library for dialog state monitoring in real dialog systems. 1