ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > استعمال انحدار النواة في تقدير...>الوصف

استعمال انحدار النواة في تقدير معاملات انموذج الإنحدار بحدود خطأ عشوائي مرتبطة ذاتيا مع تطبيق عملي

العنوان بلغة أخرى: Using Kernel Regression to Estimate the Coefficients of the Regression Model with Random Error Limits that are Self-Correlated with Practical Application
المصدر: مجلة الإدارة والاقتصاد
الناشر: الجامعة المستنصرية - كلية الإدارة والاقتصاد
المؤلف الرئيسي: تالي، ندى حسين (مؤلف)
المؤلف الرئيسي (الإنجليزية): Tali, Nada Hussein
مؤلفين آخرين: المتولي، أحمد شاكر محمد طاهر (م. مشارك)
المجلد/العدد: ع132
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2022
الشهر: اذار
الصفحات: 234 - 247
ISSN: 1813-6729
رقم MD: 1263846
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
نماذج الانحدار | انحدار النواة | الانحدار الخطي الموضعي | الارتباط الذاتي | الأخطاء العشوائية
كلمات المؤلف المفتاحية:
الارتباط الذاتي | انحدار النواة | الانحدار الخطي الموضعي | معيار مالو المعدل | Autocorrelation | Kernel Regression | Local Linear Regression | Modified Mallo's Criterion
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: أنموذج الانحدار أحد النماذج المستعملة لأغراض تفسير تأثير ظاهرة أو عدة ظواهر على ظاهرة معينة، من خلال تقدير معاملات الأنموذج، علاوة على اعتماد الأنموذج المقدر في إجراء تنبؤات مستقبلية لتأثير أو تأثيرات الظواهر المفسرة على ظاهرة الاستجابة. يبنى أنموذج الانحدار على عدة افتراضات في حال تحققها يمكن أن نحصل على تقديرات تتصف بالخصائص المرغوبة، أحد هذه الافتراضات تتعلق بحدود الخطأ العشوائي، إذ يفترض أن تكون تلك الحدود مستقلة فيما بينها وفي حال عدم تحقق هذا الفرض تظهر لدينا مشكلة الارتباط الذاتي (Autocorrelation) بين حدود الخطأ العشوائي ولهذه المشكلة تأثير على تقديرات المربعات الصغرى لمعاملات الأنموذج مما يؤدي إلى نتائج مضللة عن تأثير الظواهر المفسرة وكذلك بالنسبة للتنبؤات المستقبلية. هناك عدة طرائق لتقدير معاملات أنموذج الانحدار في ظل هذه المشكلة، منها معلمية وأخرى لامعلمية، من الطرائق اللامعلمية طريقة انحدار النواة إذ يهدف البحث إلى استعمال هذه الطريقة لمقدر الانحدار الخطي الموضعي في تقدير أنموذج الانحدار بحدود خطأ عشوائي مرتبطة ذاتيا، وبالاعتماد على معيار مالو المعدل تم اختيار معلمة عرض الحزمة الملائم، إذا إن لمعلمة عرض الحزمة التأثير الواضح في عملية التقدير وتعمل على تقريب وتمهيد المنحنى المقدر من المنحى الحقيقي. تم إجراء تطبيق عملي على بيانات حقيقة والمتمثلة بعرض النقد وبعض العوامل المؤثرة فيه، ومن خلال استعمال دالتي النواة (Gaussian) و (Epanechnikv) تم تقدير منحنى الانحدار الذي يمثل القيمة المتوقعة لعرض النقد. أفرزت نتائج التقدير أن دالة النواة (Gaussian) هي الأفضل في تمهيد دالة الانحدار بالاعتماد على معايير المقارنة MAE و RMSE و MAPE، على الرغم من تقارب نتائج التقدير لدالتي النواة.

The regression model is one of the models used for the purposes of interpreting the effect of a phenomenon or several phenomena on a particular phenomenon, by estimating the coefficients of the model, in addition to adopting the estimated model in making future predictions for the effect or effects of the interpreted phenomena on the response phenomenon. The regression model is built on several assumptions. If they are achieved, we can get estimates that have the desired characteristics. One of these assumptions is related to the limits of random error, as it is assumed that these limits are independent among them. Limits of random error and this problem has an impact on the least-squares estimates of the model coefficients, which leads to misleading results about the effect of the explanatory phenomena as well as for future predictions. There are several methods for estimating the coefficients of the regression model in light of this problem, including its parameters and non-parametric ones. One of the non-parametric methods is the kernel regression method, as the research aims to use this method to estimate the positional linear regression in estimating the regression model with self-correlated random error limits and depending on the modified Mallo criterion. The appropriate bandwidth parameter has been selected so that the bandwidth parameter has a clear influence on the estimation process and works to approximate and smooth the estimated curve from the real curve. A practical application was made on real data represented by the money supply and some factors affecting it, and through the use of the (Gaussian) and (Epanechnikv) kernel functions, the regression curve that represents the expected value of the money supply was estimated. The results of the estimation revealed that the kernel function (Gaussian) is the best in smoothing the regression function based on the comparison criteria MAE, RMSE, and MAPE, despite the convergence of the estimation results for the two kernel functions.
ISSN: 1813-6729

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.