ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Performance of some Yang and C...>الوصف

Performance of some Yang and Chang Estimators in Logistic Regression Model

العنوان بلغة أخرى: أداء بعض مقدرات يانغ وتشانغ في نموذج الانحدار اللوجستي
المصدر: المجلة العراقية للعلوم الإحصائية
الناشر: جامعة الموصل - كلية علوم الحاسوب والرياضيات
المؤلف الرئيسي: Oladapo, O. J. (Author)
مؤلفين آخرين: Alabi, O. O. (Co-Author) , Ayinde, K. (Co-Author)
المجلد/العدد: مج21, ع1
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2024
الصفحات: 1 - 11
ISSN: 1680-855X
رقم MD: 1479894
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
التعلم الآلي | الانحدار الخطي | الوسط الحسابي
كلمات المؤلف المفتاحية:
الانحدار اللوجستي | متعددة الخطية | المقدرون المتحيزون | أقصى احتمال | محاكاة | Logistic Regression | Multicollinearity | Biased Estimators | Maximum Likelihood | Simulation | MSE
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: في نماذج الانحدار اللوجستي، تكون طريقة الاحتمالية القصوى (ML) دائما إحدى الطرق الشائعة الاستخدام لتقدير معلمات النموذج. ومع ذلك، يتم الحصول على تقديرات المعلمات غير المستقرة نتيجة لمشكلة العلاقة الخطية المتعددة ولا يمكن أيضا الاعتماد على متوسط مربع الخطأ (MSE) الذي تم الحصول عليه. لقد تم اقتراح العديد من المقدرين المتحيزين للتعامل مع مسألة العلاقة الخطية المتعددة، ومقدر يانغ وتشانغ اللوجستي (LYC) هو واحد منهم. وبالمثل، فقد جعلنا البحث نفهم أن معلمة الانحياز لها تأثير أيضا على قيمة المشروعات متناهية الصغر والصغيرة. في هذا البحث اقترحنا سبعة مقدرات متحيزة لـ LYC وتم إخضاعهم جميعا لدراسات محاكاة مونت كارلو وتم استخدام مجموعة بيانات Pena أيضا. تظهر نتيجة دراسة المحاكاة أن مقدرات LYC تتفوق في الأداء على انحدار اللوجستي ريدج (LRR) ونهج التعلم الآلي. علاوة على ذلك، فإن التطبيق على مجموعة بيانات Pena الحقيقية يتوافق أيضا مع نتائج المحاكاة.

In logistic regression models, the maximum likelihood (ML) method is always one of the commonly used to estimate the model parameters. However, unstable parameter estimates are obtained as a result due to the problem of multicollinearity and the mean square error (MSE) gotten cannot also be relied on. Several biased estimators has been proposed to handle the issue of multicollinearity and the logistic Yang and Chang estimator (LYC) is one of them. Likewise research has also made us to understand that the biasing parameter has effect too on the value of the MSE. In this paper we proposed seven LYC biasing estimators and they were all subjected to Monte Carlo simulation studies and Pena data set was also used too. The result from the simulation study shows that LYC estimators outperforms the Logistic Ridge Regression (LRR) and the ML approach. Furthermore, application to Pena real data set also conform to the simulation results.
ISSN: 1680-855X

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.