مقاله

تشخیص نقاط پرت در مدل رگرسیونی لیو

فروغ حاجی باقری، forough hajibagheri department of statistics, shahid chamran university, ahvaz, iran.گروه آمار، دانشگاه شهید چمران اهواز عبدالرحمن راسخ، abdolrahman rasekh department of statistics, shahid chamran university, ahvaz, iran.گروه آمار، دانشگاه شهید چمران اهواز محمدرضا آخوند، mohammad reza akhoond department of statistics, shahid chamran university, ahvaz, iran.گروه آمار، دانشگاه شهید چمران اهواز

چکیده

در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط پرت هنگامی که از روش های معمول برآورد غیر از کمترین توان های دوم از جمله برآوردگر لیو استفاده می شود ضروری به نظر می رسد. در این مقاله با استفاده از روش انتقال میانگین نقاط پرت، آماره آزمون لازم برای شناسایی این نقاط به هنگام استفاده از برآوردگر لیو تعمیم داده می شود. در ادامه با استفاده از مجموعه داده ای واقعی کاربرد این روش مورد ارزیابی قرار می گیرد

اسناد مشابه

  • تشخیص نقاط پرت در مدل رگرسیونی لیو

    مقاله۲۰۱۴مجله علوم آماریفروغ حاجی باقری، عبدالرحمن راسخ، محمدرضا آخوند

    در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط ...

  • تا ثیر انواع مختلف نقاط پرت بر مدل

    مقالهمجله علوم آماریرحیم چینی پرداز، rahim chinipardaz department of statistics, shahid chamran university, ahvaz, iranگروه امار، دانشگاه شهید چمران اهواز هدی کامرانفر، hoda kamranfar department of statistics, shahid chamran university, ahvaz, iranگروه امار، دانشگاه شهید چمران اهواز

    در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) garch را در نظر گرفته و آن را با هر یک از نقاط پرت در نقطه زمانی

  • تا ثیر انواع مختلف نقاط پرت بر مدل

    مقاله۲۰۰۹مجله علوم آماریرحیم چینی پرداز، هدی کامرانفر

    در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) GARCH را در نظر گرفته و آن را با هر یک از نقا

  • دو آزمون اماری برای شناسایی نقاط پرت در اندازه گیری عملکرد ناپارامتری

    مقالهتحقیق در عملیات در کاربردهای آنمحسن خون سیاوش، قزوین، دانشگاه آزاد اسلامی واحد قزوین، گروه علوم پایه رضا کاظمی متین، کرج، دانشگاه آزاد اسلامی واحد کرج، گروه ریاضی کاربردی مرتضی خدابین، کرج، دانشگاه آزاد اسلامی واحد کرج، گروه ریاضی کاربردی

    در تحلیل پوششی داده ها که از مقایسه ی عملکرد نسبی یک واحد در قیاس با مجموعه ی مرجع برای تشخیص ناکارایی نسبی و ارائه ی الگوی بهبود استفاده می شود، تشخیص درست واحدهای پرت برای دستیابی به نتایج دقیق بسیار مهم است. در این نوع مدل ها ی مرز قطعی، امروزه به کارگیری آزمون های آماری در تش

  • کاربرد شاخص موران در تشخیص داده‌های پرت مکانی و ارزیابی اثر آن‌ها بر برآورد توزیع مکانی ماده آلی خاک

    مقاله۲۰۱۶پژوهش های خاکحسین عسگرزاده، فرخ اسدزاده، مریم رحمتی

    ماده آلی خاک به‌عنوان شاخصی کلیدی از درجه تخریب خاک‌ها و قابلیت ترسیب کربن در آن‌ها بوده و تعیین الگوی پراکنش مکانی آن در یک منطقه از اقدامات اساسی برای تدوین استراتژی‌های مؤثر مدیریت خاک و اکوسیستم محسوب می‌شود. در این خصوص، روش‌های زمین‌آماری مانند کریجینگ به‌طورگسترده‌ای به‌من

  • تشخیص و حذف هم‌خطی در مدل رگرسیونی با استفاده از نظریۀ اطلاع

    مقاله۲۰۱۶اندیشه آماریفائزه شکیبا، غلامرضا محتشمی برزادران

    در این مقاله نخست مسئلۀ هم‌خطی در مدل رگرسیونی معرفی می‌شود و شیوۀ تشخیص هم‌خطی و راه‌های برطرف کردن هم‌خطی مطرح می‌شوند. در ادامه تعاریف مقدماتی از نظریۀ اطلاع عنوان می‌شوند که در نهایت با استفاده از نظریۀ اطلاع، هم‌خطی در مدل رگرسیونی شناسایی می‌شود و راه حلی برای برطرف کردن آن