مقارنة بين بعض المقدرات الجزائية الحصينة باستخدام المحاكاة
Journal of Economics and Administrative Sciences
View Archive Info| Field | Value | |
| Title |
مقارنة بين بعض المقدرات الجزائية الحصينة باستخدام المحاكاة
strong criminal capabilities، Using simulation . |
|
| Creator |
عبودي, عماد حازم
يوسف, علي حميد |
|
| Description |
تعد طريقة المربعات الصغرى الجزائية طريقة ملائمة وشائعة للتعامل مع البيانات ذات الابعاد العالية ولاسيما التي يكون فيها عدد المتغيرات التوضيحية اكبر من حجم العينة ، ومن ضمن المزايا التي تتمتع بها طريقة المربعات الصغرى الجزائية هي ضمان الحصول على تنبؤ عالي الدقة وكذلك قيامها بعملية التقدير واختيار المتغيرات في ان واحد ، فهي تقوم بتقليص بعض المعاملات وجعلها مساوية للصفر . حيث انها تعطي نموذجاً متبعثراً (Model Sparse) اي النموذج الذي يتضمن اقل عدد ممكن من المتغيرات ومن ثم يكون قابلاً للتفسير بسهولة. وعلى الرغم من تلك المزايا التي تتمتع بها طريقة المربعات الصغرى الجزائية الا انها تعد طريقة غير حصينة بمعنى انها تتأثر بالقيم الشاردة ، وللتغلب على هذه المشكلة يتم استبدال دالة خسارة المربعات الصغرى بدالة خسارة حصينة ليتم الحصول على طريقة المربعات الصغرى الجزائية الحصينة ، ويكون المقدر الناتج يدعى بالمقدر الجزائي الحصين الذي يتعامل مع مشكلتي الابعاد والقيم الشاردة . وفي هذا البحث تمت عملية المقارنة بين مقدري (Sparse LTS) وMM Lasso)) باستعمال المحاكاة وقد تم التوصل الى افضلية مقدر (MM Lasso) في معظم التجارب وذلك بالاعتماد على معيار متوسط مربعات الخطأ ، ومعدل الايجابية الزائف ومعدل السلبية الزائف. The penalized least square method is a popular method to deal with high dimensional data ,where the number of explanatory variables is large than the sample size . The properties of penalized least square method are given high prediction accuracy and making estimation and variables selection At once. The penalized least square method gives a sparse model ,that meaning a model with small variables so that can be interpreted easily .The penalized least square is not robust ,that means very sensitive to the presence of outlying observation , to deal with this problem, we can used a robust loss function to get the robust penalized least square method ,and get robust penalized estimator and it can deal problems of dimensions and outliers .In this paper a compression had been made Sparse LTS estimator and MM Lasso by using simulation and the simulation results show that the MM Lasso is best for every experiments, Depending on the criteria for the Mean Square Error, False Positive Rate and False negative Rate . |
|
| Publisher |
College of Administration & Economics
|
|
| Date |
2017-11-01
|
|
| Type |
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion |
|
| Format |
application/pdf
|
|
| Identifier |
http://jeasiq.uobaghdad.edu.iq/index.php/JEASIQ/article/view/228
10.33095/jeas.v23i100.228 |
|
| Source |
مجلة العلوم الاقتصادية والادارية; مجلد 23 عدد 100 (2017); 490
Journal of Economics and Administrative Sciences; Vol 23 No 100 (2017); 490 2227-703X 2518-5764 10.33095/jeas.v23i100 |
|
| Language |
ara
|
|
| Relation |
http://jeasiq.uobaghdad.edu.iq/index.php/JEASIQ/article/view/228/199
10.33095/jeas.v23i100.228.g199 |
|