ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > استعمال طريقتي انحدار الحرف وا...>الوصف

استعمال طريقتي انحدار الحرف والمركبات الرئيسة في تقدير معلمات أنموذج اللوجستك في حالة وجود مشكلة التعدد الخطي باستخدام المحاكاة

العنوان بلغة أخرى: Using the Methods of Ridge Regression and Principle Components to Estimate the Parameters of Logistic Model under Multicollinearity by Using Simulation
المصدر: مجلة القادسية للعلوم الإدارية والاقتصادية
الناشر: جامعة القادسية - كلية الادارة والاقتصاد
المؤلف الرئيسي: عبود، سهيل نجم (مؤلف)
المؤلف الرئيسي (الإنجليزية): Abood, Suhail Nejim
مؤلفين آخرين: فلوح، علي حسين (م. مشارك)
المجلد/العدد: مج19, ع3
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2017
الصفحات: 399 - 406
ISSN: 1816-9171
رقم MD: 919905
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
الإحصاء الرياضي | الانحدار اللوجستي | التعدد الخطي | تحليل الانحدار | أسلوب المحاكاة
كلمات المؤلف المفتاحية:
الانحدار اللوجستي | درجة الميل | طريقة الامكان الاعظم | طريقة انحدار الحرف اللوجستي | طريقة المركبات الرئيسة | متوسط تأثير المعالجة | مقدرات معكوس الاوزان الاحتمالية | Propensity Score | IPW Estimator | Logistic Ridge Regression | Principal Components Logistic Regression | Average Treatment Effects
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: ان مشكلة التعدد الخطي يمكن أن تظهر في أنموذج درجة الميل (Propensity Score Model) عند تقدير متوسط تأثيرات المعالجة (Average Treatment Effects (ATEs)، في هذا البحث تم استخدام انحدار الحرف اللوجستي (LRR) وانحدار المكونات الرئيسة اللوجستي (PCLR) كبديل لتقديرات الإمكان الأعظم (ML) في تقدير أنموذج درجة الميل (PS)، ومقدرات متوسط تأثير المعالجة (ATE) اعتمدت على طريقة معكوس الاحتمال الموزون (Invers Probability Weighting) يهدف البحث إلى المقارنة بين الطرائق، الإمكان الأعظم (ML)، انحدار الحرف اللوجستي (LRR)، وانحدار المكونات الرئيسة اللوجستي (PCLR)، المستخدمة في تقدير درجة الميل (PS)، ومن ثم تقدير متوسط تأثير المعالجة (ATE)، حيث تم استعمال أسلوب المحاكاة (Monte Carlo) لتوليد بيانات تتبع أنموذج الانحدار اللوجستي وتعاني من مشكلة التعدد الخطي تبعاً لعوامل مختلفة من قيم معامل الارتباط البسيط وحجم العينة وعدد من المتغيرات التوضيحية وقيمة الحد الثابت، فضلا عن اعتماد تصاميم مختلفة من درجات الميل في دراسة المحاكاة، ويعود ذلك إلى أن حقيقة تقديرات متوسط تأثير المعالجة (ATE) لها نقاط قوة وحسابات مختلفة واستعمل التحيز (Bias) ومتوسط مربعات الخطأ (MSE) كمعيارين للمقارنة بين طرائق التقدير. أن النتائج التي تم الحصول عليها باستخدام أسلوب المحاكاة يشير إلى أن التحيز (Bias) ومتوسط مربعا الخطأ (MSE) يعتمد على حجم العينة ودرجة الارتباطات فضلا عن تصميم أنموذج درجة الميل (PS). ولوحظ بأن تقديرات طريقة انحدار الحرف اللوجستي (LRR) بالاعتماد على صيغة Hoerl & Kennard (معلمة الحرف K1)، وانحدار المركبات الرئيسة اللوجستي (PCLR) كانت أفضل من تقديرات الإمكان الأعظم (MLE).

The problem of the Multicollinearity , can appear in the model of propensity scores (PS) when estimating the average treatment effects (ATEs). In this research the logistic ridge regression and logistic principle components regression are used as an alternative methods to the maximum likelihood estimates in the propensity scores model. The average treatment effects (ATEs) estimators adopted the method of inverse probability weighted (IPW ) and then estimate the average treatment effects (ATEs), where the use of simulations (Monte Carlo) to generate tracking data model of logistic regression and Multicollinearity problem depending on various factors, from simple correlation coefficient values and sample size and the number of independent variables and the constant value plus the adoption of different designs of propensity score in simulation study, this is due to the fact that estimates the average treatment effects (ATEs) has strengths and different accounts. And we use Bias and the mean squares error (MSE) as criteria for comparing methods of estimation. The results that have been obtained by using a simulation study indicates that the Bias and the mean square error (MSE) depend on the sample size and the degree of the correlation as well as the design propensity score model. I have observed that the estimation method of logistic ridge regression (LRR) and principle component logistic regression (PCLR) was the best of the maximum likelihood estimates (MLE)
ISSN: 1816-9171

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.