مدل رگرسیون نیمه پارامتری مکان-مقیاس با دم های نیمه سنگین بر اساس توزیع هایپربولیک سکانت
Publish place: Journal of Advanced Mathematical Modeling، Vol: 10، Issue: 2
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 75
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAMFN-10-2_007
تاریخ نمایه سازی: 16 آبان 1402
Abstract:
کاربران مدل های رگرسیون کلاسیک دریافته اند که در عمل بسیاری از پذیره های این نوع مدل ها برقرار نیستند و باید مدل هایی را به کار گرفت که قادر به مدل بندی ماهیت واقعی داده ها باشند. رده مدل های جمعی تعمیم یافته برای همه پارامترهای یک توزیع شامل مکان، مقیاس و شکل، یک رده بسیار منعطف و پرطرفدار است که می تواند پیچیدگی های موجود در داده ها را لحاظ کند. در کنار ارایه یک مدل رگرسیونی برای پارامترهای مختلف توزیع متغیر پاسخ و نه فقط میانگین، مدل بندی داده های پرت نیز دارای اهمیت است. در مواردی که تعداد داده های پرت اندک است، استفاده از توزیع های دم سنگین می تواند پیچیدگی بیش از حد نیاز وارد مساله کند. در این مقاله، با در نظر گرفتن توزیع هایپربولیک سکانت با دم نیمه سنگین و تعبیه آن در چارچوب مدل های جمعی تعمیم یافته برای مکان، مقیاس و شکل، یک مدل رگرسیون نیمه پارامتری مکان-مقیاس جدید را برای رفع این مشکل در کنار حفظ انعطاف بالای مدل بندی اثرات متغیرهای رگرسیونی، معرفی می کنیم. کارایی مدل پیشنهادی را در مقایسه با مدل کلاسیک نرمال با یک مطالعه شبیه سازی بررسی می کنیم و کاربست آن را در یک مثال واقعی نمایش می دهیم.
Keywords:
توزیع با دم نیمه سنگین , توزیع هایپربولیک سکانت , داده پرت , درستنمایی تاوانیده , رگرسیون مکان-مقیاس
Authors
جمیل اونق
گروه آمار، دانشکده علوم ریاضی، دانشگاه صنعتی شاهرود، شاهرود، ایران
حسین باغیشنی
گروه آمار، دانشکده علوم ریاضی، دانشگاه صنعتی شاهرود، شاهرود، ایران
احمد نزاکتی
گروه آمار، دانشکده علوم ریاضی، دانشگاه صنعتی شاهرود، شاهرود، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :