Sirvi Märksõna "bootstrap-meetod" järgi

Nüüd näidatakse 1 - 4 4

listelement.badge.access-status Embargo ,
Bootstrap valikuteoorias
(Tartu Ülikool, 2001) Rjabinin, Jevgeni; Traat, Imbi, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
listelement.badge.access-status Avatud juurdepääs ,
Kindlustusreservide hindamine statistikatarkvara R paketiga ChainLadder
(2018) Puskar, Linnet; Käärik, Meelis, juhendaja; Tartu Ülikool. Matemaatika ja statistika instituut; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Selles bakalaureusetöös antakse ülevaade statistikatarkvara R paketi ChainLadder funktsioonidest MackChainLadder, MunichChainLadder ja BootChain-Ladder. Töö esimeses peatükis tutvustatakse nende funktsioonide aluseks olevaid Macki, Müncheni ja bootstrap ahel-redel meetodeid. Teises peatükis esitletakse lühidalt Chain-Ladder paketti ning leitakse eelnevalt nimetatud funktsioone kasutades reaalse andmestiku põhjal reservi hinnangud.
listelement.badge.access-status Avatud juurdepääs ,
Statistilise analüüsi rakendamine Eesti Haigekassa raviarvetele
(2018) Uusna, Kristiina; Laur, Sven, juhendaja; Tartu Ülikool. Matemaatika ja statistika instituut; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Käesolevas bakalaureusetöös analüüsitakse Eesti Haigekassale saadetud raviarveid. Eesmärk on anda ülevaade regressioonanalüüsist diskreetsete argumentidega. Täpsemalt vaadatakse võtteid, kuidas suurte andmekoguste korral tagada arvutuslik efektiivsus ning kuidas parameetrite rohke mudeli korral anda sellele lihtne visuaalne interpretatsioon. Uuritakse mudeli headuse ja täpsuse näitajaid. Eelkõige pööratakse tähelepanu efekti suurusele ja selle tähtsusele. Olulisuse määramiseks tegeliku keskmise ja mudeli poolt ennustatud keskmise vahel võetakse kasutusele permutatsioonitest ja bootstrap-meetod.
listelement.badge.access-status Avatud juurdepääs ,
Stochastic chain-ladder methods in non-life insurance
(2017-06-28) Tee, Liivika; Käärik, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Kahjud toimuvad juhuslikel ajahetkedel ning kahjude suurused on samuti juhuslikud. Seetõttu ei ole tulevikus tekkivate kahjude arvu ning nende suuruseid võimalik täpselt prognoosida ning kindlustusfirmade ülesandeks on leida meetod, millega olemasolevat informatsiooni kasutades saaks tulevikus toimuvaid kahjusid võimalikult täpselt hinnata. Kõige levinum reservide hindamise meetod on deterministlik ahel-redel meetod. Ahel-redel meetod annab meile ainult punkthinnangu, mis ei ole kindlustusfirma jaoks piisavalt informatiivne ning seega on vaja käsitluse alla võtta stohhastilised meetodid, millega on võimalik leida ka reservi prognoosimisel tehtav viga. Hinnangu standardvea leidmiseks on võimalik kasutada mitmeid erinevaid meetodeid, üks võimalus on kasutada taasvalikumeetodeid. Käesoleva väitekirja eesmärk on anda ülevaade erinevatest (stohhastilistest) reservihindamise meetoditest, võrrelda meetodite omadusi ja käitumist ning leida kriteeriume, mis hõlbustaksid otsuste langetamist reaalsete reservihindamise ülesannete korral. Töö käsitleb reservide stohhastilist hindamist üldistatud lineaarsete mudelite ja bootstrap-meetodi kombineerimisel ning toob välja ja selgitab erinevaid võimalusi, millele bootstrap-meetodi kasutamisel võiks tähelepanu pöörata. Lisaks mudelite teoreetilisele püstitusele rakendatakse mudeleid ühe Eesti kindlustusfirma andmetele ja erinevaid meetodeid valideeritakse Schedule P andmebaasi erinevate kahjuliikide reservikolmnurkade peal. Väitekirja teine pool käsitleb ahel-redel meetodi rakendamist erinevatel andmete agregeerimise tasemetel, seejuures ka ahel-redel meetodi üldistust pideva ajaga juhule. Kuna kindlustusfirmalt ei saa eeldada andmete kogumist pidevas ajas, siis käesolevas töös on pidev ahel-redel meetod interpreteeritud ka diskreetse ajaga juhule. Eesmärk on uurida erinevate agregeerimistasemete mõju kogureservi hinnangule ning võrrelda klassikalise ahel-redel meetodi ja pideva ahel-redel meetodi hinnanguid. Analüüs näitab, et nii kvartaalsete, kuiste kui päevaste andmetega on tulemused täpsemad kui aastase agregeerimise korral, aga kvartaalsete andmete korral on tulemused oluliselt stabiilsemad kui suurema detailsusega lähenemiste korral.