Koeficientų apskaičiavimas netiesinėse struktūrinėse lygtyse

Spalio 25 dieną MGMF viešės Danijos įmonės Maersk line specialistė, KTU MGMF absolventė, Julija Tastu ir jos kolega Klaus Kähler Holst. Svečias skaitys paskaitą „Koeficientų apskaičiavimas netiesinėse struktūrinėse lygtyse“.

Klaus Kähler Holst keletą metų dirbo docentu Kopenhagos Universitete, biostatistikos departamente. Šiuo metu vadovauja statistikos tyrimams ir plėtrai didžiausioje pasaulyje jūrinių konteinerių kompanijoje Maersk Line. Klausas iki šiol palaiko glaudų ryšį su akademija, publikuoja straipsnius pasaulinio lygio statistikos žurnaluose bei yra kviečiamas skaityti pranešimus tarptautinėse konferencijose.

Apie ką bus paskaita?
Struktūrinių lygčių taikymas dažnai apsiriboja tiesine priklausomybe tarp priklausomų ir nepriklausomų kintamųjų. Netiesinės priklausomybės atvejais didžiausio tikėtinumo metodo taikymas gali būti komplikuotas, reikalauti integravimo skaitiniais metodais. Be to, statistinės išvados šiuo atveju yra labai priklausomos nuo skirstinio pasirinkimo.

Paskaitoje Klausas pristatys paprastą metodą, leidžiantį apskaičiuoti struktūrinių lygčių koeficientus netiesinės priklausomybės atveju. Klausas taip pat parodys, jog gaunami įverčiai yra suderinti, identifikuos jų skirstinį.

Šis metodas gali būti pritaikytas sprendžiant eilę praktinių problemų. Pavyzdžiui, metodas gali būti taikomas tiesinės regresijos atvejais, kai tikslios priklausomųjų kintamųjų vertės nėra žinomos, bet žinomos su tam tikra paklaida. Paskaitos metu Klausas pateiks pavyzdžių, kaip metodas yra taikomas neurobiologijoje.

Paskaita atvira, todėl kviečiami dalyvauti visi norintys!

Faculty of Mathematics and Natural Sciences invites you to lecture with Julija Tastu and Klaus Holst from Maersk company, Denmark.

What the lecture will be about?
Applications of structural equation models are often restricted to linear associations between variables. Maximum likelihood (ML) estimation in nonlinear models may be complex and require numerical integration. Furthermore, ML inference is sensitive to distributional assumptions. We introduce a simple two-stage estimation technique for estimation of nonlinear associations between latent variables, and show that this procedure is consistent and identifies its asymptotic distribution. As a special case, we obtain a computational robust method for estimating regression parameters when there is measurement error in some of the observed covariates and if we have repeated observations of those variables available.

The lecture is open and free of charge.

We invite you to participate!