بررسی کارایی برآوردگرهای تقریبا نااریب در مدل رگرسیون خطی، در حضور هم خطی چندگانه
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده علوم پایه
- نویسنده مرضیه توانگر
- استاد راهنما عبدالرسول برهانی حقیقی مینا توحیدی سلطان محمد صدوقی الوندی عبدالرضا بازرگان لاری
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1391
چکیده
برآوردگر حداقل مربعات معمولی (ols) ? ?=?(x^ x)?^(-1) xy اغلب برای برآورد ضرایب رگرسیونی در مدل رگرسیون خطی y=x?+? استفاده می شود. اما این برآوردگر به شدت به خصوصیات ماتریس x^ x بستگی دارد. هم خطی چندگانه بین متغیرهای توضیحی در مدل رگرسیون خطی، یک مسأله مهم در بکارگیری این مدل می باشد. در این حالت برآوردکننده کمترین مربعات (? ?) دارای واریانس بزرگی است. در این پایان نامه، ابتدا با الهام از کلاس برآوردکننده های ریج، ? ?_r=?(x^ x+ki)?^(-1) x^ y، k>0، کلاس جدیدی از برآوردگرهای اریب، ? ?_d=?(x^ x+i)?^(-1) ?(x?^ y+d? ?)، 0<d<1، معرفی می شود. هر عضو این کلاس جدید یک برآوردکننده لیو می باشد. برآوردگر بهینه ، با استفاده از محک مینیمم توان دوم خطا، mse، انتخاب می شود. با ادغام اعضای دو کلاس از برآوردکننده مذکور، کلاسی دیگر از برآوردکننده ها به نام کلاس برآوردکننده های دوپارامتری(tp) ساخته می شود. با استفاده از فرآیند جک-نایف، برآوردگر تقریبا نااریب لیو(aule) و برآوردگر تقریبا نااریب دوپارامتری(autp) به دست آورده می شوند. برآوردگرهای ساخته شده در این پایان نامه، با برآوردگر lsبا معیار mse مقایسه می گردند و در آخر، یک مطالعه شبیه سازی، برای مشاهده کارایی این برآوردگرهای ساخته شده انجام گرفته است.
منابع مشابه
هم خطی چندگانه و رگرسیون لجستیک
رگرسیون لجستیک چندگانه با متغیرهای توضیحی به هم وابسته در دامنه وسیعی از علوم از جمله علوم اجتماعی، اقتصادی، مهندسی، کشاورزی و پزشکی کاربرد دارد. در مدل رگرسیون لجستیک چندگانه اگر متغیرهای توضیح دهنده وابسته باشند، آن گاه مدل ناپایدار شده و برآورد پارامترهای مدل، بسیار نادقیق می شود و حتی ممکن است تفسیر رابطه بین متغیر پاسخ و هر متغیر توضیح دهنده با استفاده از نسبت های بخت نادرست باشد. از طرف...
هم خطی چندگانه در مدل های رگرسیون خطی فازی با ورودی و خروجی فازی
رگرسیون برای بررسی رابطه ی بین دو یا چند متغیر استفاده می شود، به طوری که یک متغیر را می توان از روی یک متغیر دیگر یا از روی چند متغیر پیش بینی نمود. زمانی که متغیرهای مشاهده شده مبهم باشند و یا رابطه ی بین متغیرها نادقیق باشد از رگرسیون فازی استفاده می شود. اگر چه رگرسیون فازی کاربرد وسیعی برای حل بسیاری از مسائل دارد، اما مشکل هم خطی چندگانه به عنوان یک نقص در رگرسیون فازی محسوب می شود. وجود ...
15 صفحه اولبررسی عوامل موثر بر تنوع زیستی با استفاده از رگرسیون خطی چندگانه در جنگل تحقیقاتی واز
این پژوهش در سری 2 جنگل تحقیقاتی واز واقع در شهرستان چمستان (استان مازندران) انجام شد. شبکه آماربرداری به‌صورت تصادفی سیستماتیک با ابعاد 150×200 متر طراحی و قطعات نمونه دایرهای شکل با شعاع 84/17 متر پیاده گردید. در هر قطعه نمونه تعدادی از فاکتورهای کمی و کیفی درختان و رویشگاه ثبت شد. به‌منظور تشخیص و تفکیک تیپها از میانگین مجموع سطح مقطع برابر سینه درختان در قطعه نمونه و روش آنالیز دو طرفه گو...
متن کاملبرنامهریزی خطی تقریبا بهینه و کاربرد آن در مدیریت مزرعه
استفاده از روش برنامه‌ریزی خطی برای انواع برنامه‌ریزی‌ها و تجزیه و تحلیل های مختلف مبتنی بر بهینه‌یابی مقید در حوزه‌های مختلف از جمله کشاورزی سابقه طولانی و گسترده‌ای دارد. یکی از معایب چنین روشی آنست که با توجه به اهداف و محدودیت‌های لحاظ شده، در نهایت، فقط یک جواب (ترکیب) بهینه برای فعالیت‌های مختلف ارائه می‌نماید. برای رفع چنین مشکلی یک روش تعدیل شده به نام برنامه‌ریزی خطی تقریبا بهینه ارائه...
متن کاملکاربرد مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در برآورد تراکم جنگل در جنگل-های باغان مریوان
مطالعه و مدل‌سازی ویژگی‌های کمی جنگل به‌منظور هدایت اکوسیستم به‌سوی اهداف ایده‌آل و اجرای اقدامات حفاظتی و احیایی از اقدامات مهم به شمار می‌آید. در پژوهش پیش‌رو برآورد مشخصه‌های تعداد در هکتار درختان و تاج‌پوشش جنگل که معرف تراکم در اکوسیستم طبیعی جنگل می‌باشند، با استفاده از مدل رگرسیون خطی چندگانه و مدل شبکه عصبی مصنوعی، به کمک داده‌های توپوگرافی، خاکشناسی، اقلیمی و استفاده از داده‌های سنجش...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده علوم پایه
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023