رگرسیون خطی در حضور داده های بدتراز
عنوان مقاله: رگرسیون خطی در حضور داده های بدتراز
شناسه ملی مقاله: JR_ISS-18-1_007
منتشر شده در در سال 1392
شناسه ملی مقاله: JR_ISS-18-1_007
منتشر شده در در سال 1392
مشخصات نویسندگان مقاله:
عادله عصاره - Shahid Beheshti university
فیروزه ریواز - Shahid Beheshti university
خلاصه مقاله:
عادله عصاره - Shahid Beheshti university
فیروزه ریواز - Shahid Beheshti university
در این مقاله چهار رویکرد به مسئله برازش یک مدل رگرسیون خطی در حضور داده های بدتراز فضایی ارائه می شود. این رویکردها عبارتند از روش باجایگذاری، شبیه سازی، رگرسیون کالبیدنی و ماکسیمم درستنمایی. در دو رویکرد اول، با مدل بندی همبستگی موجود در متغیر توضیحی، پیشگویی آن در موقعیت های متناظر با متغیر پاسخ تعیین می شود. سپس باجایگذاری پیشگوهای به دست آمده به جای مقادیر واقعی در مدل رگرسیونی، برازش مدل انجام می شود. نشان داده می شود این کار باعث ایجاد خطای برکسن شده و این خطا نیز منجر به ایجاد اریبی در برآورد شیب مدل رگرسیونی می شود. برای تعدیل این اریبی، رویکرد رگرسیون کالبیدنی ارائه می شود. در رویکرد ماکسیمم درستنمایی مستقیما از داده های بدتراز استفاده شده و پارامترهای مدل رگرسیونی برآورد می شوند. در واقع، دیگر نیازی به پیشگویی متغیر توضیحی در مکان های متناظر با متغیر پاسخ نیست. اما متاسفانه بررسی دقیق خواص برآوردگر ماکزیمم درستنمایی به دلیل نداشتن فرم تحلیلی، امکان پذیر نیست. در یک مطالعه شبیه سازی، عملکرد کلیه رویکردها تحت چندین مدل فضایی برای متغیر توضیحی مورد بررسی قرار می گیرد. مشاهده می شود رگسیون کالبیدنی می تواند به میزان قابل توجهی اریبی برآوردگر شیب خط رگرسیونی را نسبت به روش های دیگر کاهش دهد. به علاوه، میزان پوشش اسمی بازه اطمینان شیب خط رگرسیونی توسط این روش قابل توجه است.
کلمات کلیدی: spatial misaligned data, plug-in approach, regression calibration, Berkson error., داده های بدتراز فضایی, رویکرد باجایگذاری, رگرسیون کالبیدنی, خطای برکسن.
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1518313/