MARC

 008250123s2024        us                              c    eng  d
■001000017163817
■00520250211152757
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346568308
■035    ▼a(MiAaPQ)AAI31555948
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aRuan,  Lisa  L.▼0(orcid)0009-0007-2494-2130
■24510▼aThree  Essays  in  Applied  Statistics  and  Methodology
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a138  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Shephard,  Neil.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aIn  the  increasingly  complex  data  landscape  of  the  modern  world,  the  growing  diversity  of  data  has  opened  up  exciting  new  avenues  of  research.  This  thesis  presents  three  forays  into  areas  representing  different  challenges  in  the  realms  of  time  series,  text,  and  image  data  across  an  array  of  applications. •  Chapter  1  proposes  a  Bayesian  algorithm  for  learning  about  the  memory  distribution  of  a  superposition  of  autoregressions.  The  parameterization  of  this  model  structure  is  delicate  and  experiments  suggest  a  solution  which  can  be  deployed  in  practice.  The  methods  are  illustrated  by  an  analysis  of  U.S.  inflation  data.•  Chapter  2  examines  the  integration  of  text  and  traditional  covariates  into  a  heterogenous  dataset  within  the  Concise  Comparative  Summaries  framework.  We  address  key  methodological  challenges,  including  optimization  strategies,  penalization,  handling  missing  data,  and  reconciling  scaling  differences.  We  further  compare  our  integrated  approach  with  text-only  and  covariate-only  analyses,  and  illustrate  its  effectiveness  through  a  comprehensive  analysis  of  a  heterogeneous  medical  dataset  focused  on  frequent  users  of  intensive  care  units.•  Chapter  3  leverages  machine  learning  methodology  on  a  dataset  of  over  200,000  pottery  fragment  images  from  the  Sanxingdui  Bronze  culture  to  achieve  precise  chronological  classification  and  uncover  an  anomalous  excavation  site.  This  work  highlights  the  untapped  potential  of  applying  modern  data-driven  methods  to  traditional  archaeological  practices  in  demonstrating  the  value  of  previously  overlooked  pottery  fragments  in  archaeological  research.
■590    ▼aSchool  code:  0084.
■650  4▼aStatistics
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aBayesian  algorithm
■653    ▼aU.S.  inflation  data
■653    ▼aAutoregressions
■653    ▼aPenalization
■653    ▼aMachine  learning
■690    ▼a0463
■690    ▼a0489
■690    ▼a0984
■690    ▼a0800
■71020▼aHarvard  University▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163817▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books