کاهش اریبی بیپاسخی توسط براوردگرهای کالبیده در مطالعههای پانلی
Authors
Abstract:
در بسیاری از نظامهای آماری، نوعی از آمارگیری موسوم به آمارگیری در طول زمان متداول است که بهشکلی مستمر در دورههای زمانی تکرار میشود. یکی از روشهای آمارگیری در طول زمان، آمارگیری پانلی نام دارد. در این روش، به نمونهای ثابت در دورههای زمانی مختلف مراجعه میشود. مهمترین چالش در یک آمارگیری پانلی، ناتوانی در بهدست آوردن پاسخ از واحدهای نمونهای و بهوجود آمدن بیپاسخی است که معمولاً باعث اریبی و در برخی موارد منجر به افزایش واریانس براوردها میشود. در آمارگیریهای پانلی علاوه بر بیپاسخی قلم اطلاعاتی، بیپاسخی دوره نیز وجود دارد. در این نوع بیپاسخی، واحد نمونهای حد اقل برای یک دورهی آمارگیری پاسخگو است. حالت خاصی از بیپاسخی دوره، کاهش پاسخگو است که در این حالت واحد نمونهای از دورهای به بعد از مطالعه خارج شده و هرگز به مطالعه باز نمیگردد. یکی از روشهای کاهش اثرهای نامطلوب بیپاسخی، وزندهی است. از جملهی این روشها، براوردگر کالبیده میباشد. در این مقاله پس از معرفی مفهومهای اولیهی آمارگیری پانلی، انواع گمشدگی در آمارگیریهای پانلی و ساختارهای گمشدگی، روش براوردگر کالبیده بهعنوان روشی برای وزندهی دادههای گمشده معرفی میشود. سپس با استفاده از دادههای طرح آمارگیری پانلی خانواری انگلستان، روش براوردگر کالبیده با روش براوردگر رگرسیونی تعمیمیافته از نظر معیارهای قدر مطلق اریبی نسبی، میانگین توان دوم خطا و کارایی نسبی مجانبی مقایسه میشوند. یافتههای این مطالعه نشان میدهند که وقتی همبستگی بین دو دوره بالا بوده و ساختار گمشدگی تصادفی است، روش براوردگر کالبیده نسبت به سایر روشها عملکرد بهتری دارد.
similar resources
کاهش اریبی بی پاسخی توسط براوردگرهای کالبیده در مطالعه های پانلی
در بسیاری از نظام های آماری، نوعی از آمارگیری موسوم به آمارگیری در طول زمان متداول است که به شکلی مستمر در دوره های زمانی تکرار می شود. یکی از روش های آمارگیری در طول زمان، آمارگیری پانلی نام دارد. در این روش، به نمونه ای ثابت در دوره های زمانی مختلف مراجعه می شود. مهمترین چالش در یک آمارگیری پانلی، ناتوانی در به دست آوردن پاسخ از واحدهای نمونه ای و به وجود آمدن بی پاسخی می باشد که معمولاَ باعث ...
15 صفحه اولمطالعه ای بر اریبی مجانبی برآوردگرها در مدل های رگرسیونی پانلی پویا
این رساله خواص مجانبی برآوردهای ضرایب رگرسیونی پانلی پویا را وقتی تعداد داده های مقطعی به سمت بی نهایت میل می کند در نظر گرفته و رفتار مجانبی روش های برآوردیابی حداقل مربعات خطای ضرایب رگرسیونی و حالت تعمیم یافته آن را در حالت مانایی توزیع مشاهدات مورد بررسی قرار می دهد. با توجه به اهمیت ویژه برازش این مدل ها در تحقیقات کاربردی، موضوع اصلی این رساله یافتن معادلات اریبی مجانبی در مدل های مختلف ر...
15 صفحه اولبرازش مدلهای رگرسیونی پویا با دادههای پانلی توسط روشهای ماکسیمم درستنمایی و بیزی
مدلهای رگرسیونی پویا با دادههای پانلی دارای کاربرد بسیاری در مطالعات اقتصادی و اجتماعی هستند. خصوصیت بارز این مدلها وجود متغیرهای تاخیری به عنوان متغیر تبیینی است. این ویژگی باعث اغتشاش در خواص برآوردها توسط روشهای معمول برآوردیابی خواهد شد. یک مسئله اساسی در مدلسازی مشاهدات پانلی تغییرپذیری بین واحدهای آزمایشی است که به علت پیچیدگی محاسبات در استفاده از روشهای متداول برآوردیابی، اغلب ا...
full textبراورد واریانس بهروش جکنایف در آمارگیریهای دوچارچوبی
روشهای معمول براورد واریانس از قبیل روش خطیسازی سری تیلور (روش دلتا)۱ در آمارگیریهای چندچارچوبی۲ عموماً مستلزم محاسبهی مشتقهای جزئی بوده و این محاسبات با افزایش تعداد چارچوبها پیچیدهتر میشود. براورد واریانس به روش جکنایف۳ روش دیگری است که ضمن سهولت در محاسبه، موجب کاهش چشمگیری در اریبی براوردگر میشود. در این مقاله ابتدا به معرفی براوردگرهای چندچارچوبی مجموع جامعه و سپس استفاده از روش ...
full textروش نوین براوردیابی: براوردگرهای گشتاوری با وزن احتمالی تعدیلیافته
در این مقاله روش جدیدی در نظریهی براوردیابی با عنوان براوردگرهای گشتاوری با وزن احتمالی تعدیل یافته (APWME)۱ معرفی میشود، که تعمیمی از روش گشتاوری با وزن احتمالی (PWM)۲ میباشد. از این روش برای براورد پارامتر توزیع یکنواخت(0, theta) استفاده کردیم. سپس بر اساس یک مطالعهی عددی، میانگین مربعات خطا۳ روشهای براوردیابیAPWM ، روش گشتاوری، روش حداکثر درستنمایی، روش گشتاوری تعدیلیافته و روش گشتاوری...
full textMy Resources
Journal title
volume 22 issue 1
pages 45- 62
publication date 2011-09
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023