Olvasói vélemények
Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.
Eredeti címe:
Applied Analytics - Quantitative Research Methods: Applying Monte Carlo Risk Simulation, Strategic Real Options, Stochastic Forecasting, Portfolio Opt
Könyv tartalma:
HARMADIK KIADÁS (2022)
Az Alkalmazott CQRM könyvsorozat bemutatja, hogy a Certified in Quantitative Risk Management (CQRM) tanúsítási programban szereplő fejlett analitika hogyan alkalmazható valós üzleti problémákra. Az I. kötetben bemutatjuk, hogy a Kockázati szimulátor és a ROV BizStats hogyan használható kvantitatív elemzések elvégzésére a graduális és posztgraduális kutatásokban. A hangsúlyt a pragmatikus alkalmazásokra helyezzük, hogy demisztifikáljuk a kvantitatív elemzésben rejlő számos elemet. Egy statisztikai feketedoboz akkor marad feketedoboz, ha senki sem érti meg a fogalmakat, annak ereje és alkalmazhatósága ellenére. Csak akkor, ha a fekete dobozos módszerek átláthatóvá válnak, hogy a kutatók megértsék, alkalmazzák és meggyőzzenek másokat eredményeikről, hozzáadott értékükről és alkalmazhatóságukról, a megközelítések széles körű figyelmet fognak kapni. Ezt az átláthatóságot a kvantitatív modellezés lépésről lépésre történő alkalmazásával, valamint több eset bemutatásával és a valós alkalmazások megvitatásával érjük el. Ez a könyv a CQRM tanúsítási programot elvégző személyeknek szól, de bárki használhatja, aki ismeri az alapvető kvantitatív kutatási módszereket - mindenki számára van benne valami. Másodéves MBA/MS-szintű vagy bevezető doktori tankönyvként is használható. A könyvben szereplő példák feltételeznek némi előzetes ismeretet a témában. A CQRM programmal kapcsolatos további információk a következő címen érhetők el: www.iiper.org www.realoptionsvaluation.com.
AZ ALAPOK.
Központi tendencia, szórás, ferdeség, kurtosis.
Valószínűség, Bayes-tétel, fák, kombináció, permutáció.
Klasszikus, standard, P-érték, CI.
Központi határértéktétel.
I-IV. típusú hibák, mintavételi torzítások.
Adattípusok és adatgyűjtés tervezése.
ANALITIKAI MÓDSZEREK.
T-tesztek: Egyenlő/egyenlőtlen/páros variancia, F-teszt, Z-teszt.
ANOVA, blokkolt, kétutas, ANCOVA, MANOVA.
Lineáris/nemlineáris korreláció.
Normalitás és eloszlásillesztés: Kolmogorov-Smirnov, Chi-négyzet, Akaike információs kritérium, Anderson-Darling, Kuiper, Schwarz/Bayes, Box-Cox.
Nem parametrikus módszerek: Runs, Wilcoxon, Mann-Whitney, Lilliefors, Q-Q, D'Agostino-Pearson, Shapiro-Wilk-Royston, Kruskal-Wallis, Mood's, Cochran's Q, Friedman's.
Inter/Intra-Rater Reliability, konzisztencia, diverzitás, belső/külső érvényesség, kiszámíthatóság.
Cohen Kappa, Cronbach Alfa, Guttman Lambda, osztályok közötti korreláció, Kendall W, Shannon-Brillouin-Simpson sokféleség, homogenitás, Grubbs Outlier, Mahalanobis, lineáris és négyzetes diszkrimináns, Hannan-Quinn, Diebold-Mariano, Pesaran-Timmermann, precizitás, hibakontroll.
Lineáris/nemlineáris többváltozós regresszió.
Multikollinearitás, heteroszkedaszticitás.
Strukturális egyenletmodellezés (SEM), részleges legkisebb négyzetek (PLS).
Endogenitás, szimultán egyenletek módszerei, kétlépcsős legkisebb négyzetek.
Granger-kauzalitás, Engle-Granger.
Haladó regressziók: Poisson, Deming, Ordinális logisztikus, Ridge, súlyozott, Bootstrap.
MESTERSÉGES INTELLIGENCIA ÉS GÉPI TANULÁS (ADATTUDOMÁNY)
Bagging Lineáris Bootstrap.
Bagging Nonlinear Bootstrap.
Osztályozási és regressziós fák CART.
Egyedi illesztés.
Dimenziócsökkentés Főkomponens-elemzés.
Dimenziócsökkentő faktorelemzés.
Ensemble közös illesztés.
Ensemble Complex Fit.
Ensemble idősorok.
Gauss-keverés és K-Means szegmentálás.
K-közelebbi szomszédok.
Lineáris illeszkedési modell.
Többváltozós diszkriminancia-analízis (lineáris)
Többváltozós diszkriminancia-analízis (kvadratikus)
Neurális hálózat (koszinusz, tangens, hiperbolikus)
Logisztikus bináris osztályozás.
Normit-Probit bináris osztályozás.
Filogenetikai fák és hierarchikus klaszterezés.
Random Forest.
Szegmentációs klaszterezés.
Támogató vektoros gépek SVM.
