عناصر مشابهة
المقدرات المقلصة الخطية في نماذج بيانات العد: مراجعة مقال
| العنوان بلغة أخرى: | Linear Shrinkage Estimators in Count Data Models: An Article Review |
|---|---|
| المصدر: | مجلة أبحاث كلية التربية الأساسية |
| الناشر: |
جامعة الموصل - كلية التربية الأساسية
|
| المؤلف الرئيسي: | |
| مؤلفين آخرين: | |
| المجلد/العدد: | مج19, ع2 |
| محكمة: | نعم |
| الدولة: | العراق |
| التاريخ الميلادي: | 2023 |
| الصفحات: | 787 - 809 |
| ISSN: | 1992-7452 |
| رقم MD: | 1405722 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | Arabic |
| قواعد المعلومات: | EduSearch |
| مواضيع: | |
| رابط المحتوى: |
| المستخلص: | تعد مشكلة التعدد الخطي التي تحدث نتيجة للارتباط العالي والتلازم الخطي بين متغيرين أو أكثر من المتغيرات التوضيحية الداخلة في بنائها واحدة من أهم مشاكل بناء النماذج، مما يؤثر بشكل سلبي على عملية تقدير معلمات أنموذج الانحدار. تهدف هذه الدراسة إلى استعراض المقدرات المقلصة التي تستخدم لمعالجة مشكلة التعدد الخطي التي تظهر في نماذج بيانات العد وخصوصا أنموذج انحدار بواسون. يتعتبر هذا النموذج من أكثر النماذج المستخدمة في حالة كون بيانات متغير الاستجابة ذات قيم قابلة للعد ولا تخضع للتوزيع الطبيعي. من خلال تجارب محاكاة مونت كارلو تبين بان المقدر المقلص ذو المعلمتين أفضل المقدرات المقترحة بسبب تقليله متوسط مربعات الخطأ للنموذج. The problem of multilinearity that occurs as a result of the high correlation and linear correlation between two or more explanatory variables included in its construction is one of the most important model building problems, which negatively affects the process of estimating the regression model parameters. This study aims to review the shrinking estimators that are used to address the problem of multicollinearity that appears in counting data models, especially the Poisson regression model. This model is considered one of the most used models in the case that the data of the response variable have countable values and are not subject to a normal distribution. Through Monte-Carlo simulation experiments, it was found that the two-parameter shrink estimator is the best proposed estimator because it reduces the mean square error of the model. |
|---|
