ارسل ملاحظاتك

ارسل ملاحظاتك لنا







مقدر ليو Liu المعدل لنموذج انحدار گاوس المعكوس

العنوان بلغة أخرى: A Modified Liu Estimator for the Inverse Gaussian Regression Model
المصدر: مجلة تكريت للعلوم الإدارية والاقتصادية
الناشر: جامعة تكريت - كلية الإدارة والاقتصاد
المؤلف الرئيسي: عبداللطيف، أحمد مطلك (مؤلف)
المؤلف الرئيسي (الإنجليزية): Abdalteef, Ahmed Motlak
المجلد/العدد: مج19, ع62
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2023
الشهر: حزيران
الصفحات: 541 - 558
ISSN: 1813-1719
رقم MD: 1406735
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
كلمات المؤلف المفتاحية:
نموذج انحدار گاوس المعكوس | انحدار الحرف | مقدر ليو | التعدد الخطي | Inverse Gaussian Regression Model (IGRM) | Ridge Regression Estimator (RRE) | Liu Estimator (LE) | Multicollinearity | MIGLE
رابط المحتوى:
صورة الغلاف QR قانون
حفظ في:
المستخلص: إن مشكلة التعدد الخطي لها تأثيرا غير مرغوب فيه على كفاءة مقدر الإمكان الأعظم (MLE) في نموذج انحدار گاوس المعكوس (IGRM). يتم استخدام نموذج انحدار گاوس المعكوس (IGRM) عندما يكون متغير الاستجابة منحرفا بشكل إيجابي ويتبع توزيع گاوس المعكوس. للتقليل من هذه المشكلة، تم تطوير مقدرات انحدار الحرف ومقدر ليو كبديل لـ MLE. كلا المقدرين يمتلكان متوسط مربعات خطأ (MSE) أصغر من MLE. عيب استخدام مقدر Liu التقليدي هو أنه في معظم الأوقات، يصل معامل التحيز d إلى قيمة سالبة وهي عيب رئيسي لمقدر Liu التقليدي. لذلك، للتغلب على هذه المشكلة، تم اقتراح مقدرا جديدا معدلا وهو مقدر ليو گاوس المعكوس (MIGLE) لـ (IGRM). يتم مقارنة أداء المقدر المقترح مع بعض المقدرات الموجودة في دراسة المحاكاة والتطبيق الواقعي. يوضح معيار MSE أن المقدر المقترح يمتلك أقل متوسط مربعات خطأ MSE ويحقق أفضل أداء مقارنة بالمقدرات الأخرى.

Multicollinearity poses an undesirable effect on the efficiency of the maximum likelihood estimator (MLE) in Inverse Gaussian Regression Model (IGRM). The Inverse Gaussian Regression Model (IGRM) is used when the response variable is positively skewed and follows an inverse Gaussian distribution. To mitigate this problem, The ridge and the Liu estimators have been developed as an alternative to the MLE. Both estimators possess smaller mean squared error (MSE) over the MLE. the drawback of using the traditional Liu estimator is that in most of the times, the shrinkage parameter d, attains a negative value which is the major disadvantage of traditional Liu estimator. So, to overcome this problem, we propose a new adjusted Inverse Gaussian Liu estimator (MIGLE) for the (IGRM) which is the robust solution to the problem of multicollinear explanatory variables. We compare the proposed estimator’s performance with some existing estimators in the simulation study, and real-life application. Smaller mean squared error MSE criterion shows that the proposed estimator with one of its shrinkage parameters performs the best.

ISSN: 1813-1719