تشخیص و بررسی نقاط پرت در مدل های رگرسیون فازی

thesis
abstract

مدل های رگرسیونی برای برقراری ارتباط بین یک متغیر وابسته و تعدادی متغیر مستقل به کار می روند. برای ساختن این مدل ها نیاز به مشاهداتی از متغیرهای مورد مطالعه می باشد. در رگرسیون کلاسیک فرض می شود که این متغیرها و مشاهدات مربوط به آن ها دقیق هستند. ممکن است در یک بررسی مشاهدات مربوط به یک یا چند متغیر نادقیق باشند و یا نادقیق گزارش شده باشند. همچنین ممکن است که متغیرهای مورد مطالعه ذاتاً دارای ارتباطی نادقیق و مبهم(تقریبی) باشند. یکی از شیوه های مهم جایگزین رگرسیون کلاسیک در چنین مواقعی استفاده از رگرسیون فازی است. یکی از انواع رگرسیون فازی رگرسیون امکانی است که نخستین بار توسط تاناکا و همکاران پیشنهاد شد. در این پایان نامه به توضیح این رگرسیون پرداخته می شود و مدل های براوردشده در حالتی که ضرایب مدل فازی هستند و خروجی های مشاهده شده فازی و یا غیر فازی هستند تشریح می شوند. یکی از اشکالاتی که به روش تاناکا و همکاران وارد است حساس بودن آن نسبت به داده های پرت می باشد که باعث می شود در حضور داده های پرت فواصل پیش بینی وسیع به دست بیایند که مطلوب نیست. تا کنون چندین روش ارائه شده است که این مشکل را برطرف کنند. یک روش معرفی متغیر جدید و شکل گیری مسأله ی برنامه ریزی خطی فازی با فواصل فازی و به دست آوردن فواصل براورد منطقی می باشد. روش دیگر افزودن تعدادی محدودیت به محدودیت های مسأله ی اصلی و شناسایی نقاط پرت و اصلاح محدودیت های مربوط به نقاط پرت می باشد. در این صورت نیز اثر نقاط پرت حذف می شود.همچنین روش تاناکا و همکاران هنگامی که روند پهناها و نمای داده ها جهت عکس داشته باشند نتایج نامناسبی دارد که با استفاده از روش جدیدی که محدودیت روی علامت پهناها در مسأله ی برنامه ریزی خطی را حذف می کند، این مشکل برطرف می شود. برای شناسایی نقاط پرت روشی ارائه می گردد که با حذف هرکدام از داده ها اثرآن بر تابع هدف مسأله ی برنامه ریزی خطی بررسی می شودو نقطه ی پرت تشخیص داده می شود.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

تشخیص نقاط پرت در مدل رگرسیونی لیو

در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط پرت هنگامی که از روش های معمول برآورد غیر از کمترین توان های دوم از جمله برآوردگر لیو استفاده می شود ضروری به نظر می رسد. در این مقاله با ا...

full text

تشخیص نقاط پرت در مدل رگرسیونی لیو

در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط پرت هنگامی که از روش های معمول برآورد غیر از کمترین توان های دوم از جمله برآوردگر لیو استفاده می شود ضروری به نظر می رسد. در این مقاله با ا...

full text

تشخیص نقاط پرت در مدل های arma

مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آمدن مشاهداتی مصنوعی است که با بقیه ی مشاهدات در سر ی های زمانی، سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این پایان نامه ابتدا روش آزمون دنباله ای را برای پیدا کردن نقاط پرت جمع پذیر و نوساز در مدل های arma به کار می بریم. ...

تا ثیر انواع مختلف نقاط پرت بر مدل

  در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) GARCH را در نظر گرفته و آن را با هر یک از نقاط پرت در نقطه زمانی خاصی ادغام کرده، سپس به بررسی و مقایسه تاثیر هر نوع نقطه پرت روی این مدل پرداخته شده است. در نهایت باقیمانده­ها با ...

full text

برسی نقاط پرت در مدل های garch

بسیاری از سری های زمانی در عمل تحت تاثیر رویدادهای خارجی نظیر:اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتیجه ی این پیشامدهای بازدارنده که نقاط پرت نامیده می شوند، ظهور مشاهدات تصنعی است که با سایر مشاهدات سری زمانی سازگاری ندارد. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در مدل های garch مورد بررسی قرار گرفته و جهت شناسایی نقاط پرت، اثرات آن ها در تعیین مدل...

15 صفحه اول

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده ریاضی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023