علیرضا رضایی - دانشگاه شهید بهشتی
مجتبی گنجعلی - دانشگاه شهید بهشتی
احسان بهرامی - دانشگاه شهید بهشتی

بی پاسخی در آمارگیری ها منبعی برای بروز خطا در نتایج آمارگیری است و سازمان های ملی آماری همواره به دنبال راهکارهایی برای کنترل و کاهش آن هستند. پیش بینی واحدهای نمونه گیری بی پاسخ در آمارگیری قبل از اجرای آمارگیری از جمله راهکارهایی است که می تواند کمک زیادی به کاهش و مرتفع نمودن مشکل بی پاسخی آمارگیری داشته باشد. با توسعه های اخیر فناوری و تسهیل در محاسبات پیچیده امکان به کارگیری روش های یادگیری آماری، مانند درخت های رگرسیون و رده بندی یا ماشین بردار پشتیبان در بسیاری از مسائل از جمله پیش بینی بی پاسخی واحدهای نمونه گیری در آمارگیری ها فراهم شده است. در این مقاله ضمن مرور کلی روش های فوق، واحدهای نمونه گیری بی پاسخ در یک آمارگیری کارگاهی با استفاده از آن ها پیش بینی شده و نشان داده می شود ترکیب روش های فوق دارای دقت بیشتری در پیش بینی درست بی پاسخی نسبت به هر کدام از روش های تکی است.

Classification and regression trees, logistic regression, nonresponse, Support vector machine, بی پاسخی, درخت رگرسیون و طبقه بندی, رگرسیون لوژستیک, ماشین بردار پشتیبان