تقدير دالة انحدار الحرف اللبي في الأنحدار المتعدد اللامعلمي بأستعمال المحاكاة

المؤلفون

  • لقاء علي محمد
  • صابرين حسين كاظم

DOI:

https://doi.org/10.33095/jeas.v24i103.120

الكلمات المفتاحية:

kernel ridge regression KRR , MLCV, AIC , Regularization parameter λ .

الملخص

المستخلص

          عادة ما يستعمل الباحثون بشكل عام و الأحصائيون بشكل خاص الأنحدار اللامعلمي عندما تعجز الطرائق المعلمية عن تحقيق غاياتهم في تحليل النماذج بدقة معينة , و من ثم تكون هذه الطرائق غير مجدية لذلك يتم اللجوء الى الطرائق اللامعلمية لسهولة برمجتها حاسوبيا , كما ويمكن أن تستعمل الطرائق اللامعلمية لأفتراض النموذج المعلمي للأنحدار لأستعماله لاحقآ , و من ضمن استعمالات الطرائق اللامعلمية هي معالجة احدى مشاكل الأنحدار , ألا وهي مشكلة التعدد الخطي Multi-Colinearity Problem بين المتغيرات التوضيحية عند اقترانها بمشكلة لاخطية البيانات Nonlinear Data , و ذلك بإستعمال دالة انحدار الحرف اللبي Kernel Ridge Regression (KRR) , والتي تعتمد على تقدير عرض الحزمة ( او ما تسمى بمعلمة التمهيد smoothing parameter) Bandwidth و لذلك تم اللجوء الى طريقتين مختلفتين لتقدير المعلمة الأخيرة و هما طريقة الأمكان الأعظم للعبور الشرعي MLCV)) Maximum Likelihood Cross-Validation و طريقة معيار (AIC)   AKaikeو المقارنة بين هاتين الطريقتين بأستعمال اسلوب المحاكاة و قد تم التوصل الى إن طريقة معيار (AIC)   AKaikeهي الأفضل بالنسبة لدالة Gaussian .

 

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

منشور

2018-04-01

إصدار

القسم

بحوث احصائية

كيفية الاقتباس

محمد ل.ع. و كاظم ص.ح. (2018) "تقدير دالة انحدار الحرف اللبي في الأنحدار المتعدد اللامعلمي بأستعمال المحاكاة", مجلة العلوم الاقتصادية والادارية, 24(103), ص 411. doi:10.33095/jeas.v24i103.120.

المؤلفات المشابهة

1-10 من 451

يمكنك أيضاً إبدأ بحثاً متقدماً عن المشابهات لهذا المؤلَّف.

الأعمال الأكثر قراءة لنفس المؤلف/المؤلفين