تقديرات النماذج شبه المعلمية بالتطبيق على بيانات العشارى | ||||
| المجلة المصرية للدراسات التجارية | ||||
| Article 13, Volume 44, Issue 3, July 2020, Page 389-417 PDF (470.64 K) | ||||
| Document Type: المقالة الأصلية | ||||
| DOI: 10.21608/alat.2021.186969 | ||||
 View on SCiNiTO | ||||
| Authors | ||||
| فاطمة علي محمد عبد العاطي; أشرف أحمد عبد العليم; منى محمد أحمد بصل | ||||
| کلية التجارة - جامعة المنصورة | ||||
| Abstract | ||||
| ملخص:- تحتوي نماذج الانحدار على مکونين أحدهما مکون عشوائي يمثل حد الخطأ (Error Term) والأخر مکون غير عشوائي يمثل متغير الاستجابة(Response Variable) وهذا المکون هو محل الاهتمام فيتم تقديره بإحدى الطريقتين هما: الطريقة المعلمية أو الطريقة اللامعلمية أو کلاهما. نموذج الانحدار المعلمي (Parametric Regression Model) هو النموذج الأکثر شيوعا حيث أنه يفترض أن متغير الاستجابة له صيغه دالية محدده مسبقا والتي تم الحصول عليها من معلومات سابقه حول هيکل دالة الانحدار من خلال ذلک يتم تقدير فئة من المعالم. ورغم أن النماذج المعلمية تعد أحد أهم أدوات تحليل البيانات؛ لأنها فعاله ويمکن تفسيرها بسهوله، إلا انها لم تستطع ان تکون کافية في بعض الحالات. أما نموذج الانحدار اللامعلمي (Nonparametric Regression Model) فانه يعتمد على تقدير دالة الانحدار مباشرة من البيانات کما أنه لا يفترض فروضا معينه لتقدير معالم النموذج مثل التي يفترضها النموذج المعلمي وبالتالي فهو يتمتع بمرونة أکثر لاکتشاف البيانات التي قد تکون مفقودة او في الحالات التي لا تتوافر فيها معلومات سابقة. يتم انشاء نموذج الانحدار شبه المعلمي (Semi parametric Regression Model) من خلال مزج الطريقتين السابقتين معا. فغالبًا ما يتم استخدام هذا النموذج في المواقف التي تکون فيها الافتراضات المعلمية غير محددة وغير متسقة، أو أن النموذج اللامعلمي لا يعمل بشکل کامل. يشتمل هذا البحث على تطبيق نماذج الانحدار المعلمية وشبه المعلمية بالإضافة إلى النموذج اللامعلمى کحالة خاصة من نموذج الانحدار شبه المعلمى لتقدير الدالة الافتراضية وتحديد شکل العلاقة بين المتغير التابع والمتغيرات المستقلة بالاضافة الى شکل انتشار البيانات مع خط (أو منحني) التقدير وذلک على بيانات واقعية تم الحصول عليها من الإتحاد المصري لألعاب القوى والمعروفة بـبيانات لعبة العشاري . Regression models contain two components, one of which is a random component that represents the Error Term and the other is a non-random component that represents the response variable and this component is of interest and is estimated in one of two methods: the parametric method or the nonparametric method or both. Parametric regression model is the most common model since it assumes that the response variable has a predetermined functional formula which was obtained from previous information about the structure of the regression function by which a class of parameters is estimated. Although parameter models are one of the most important tools for analyzing data; Because it is effective and can be explained easily, but it could not be sufficient in some cases. As for the nonparametric regression model, it relies on estimating the regression function directly from the data, as it does not assume specific assumptions for estimating the model parameters, such as those assumed by the parametric model, and thus it has more flexibility to discover data that may be missing or in cases where previous information is not available. The semi-parametric regression model is constructed by blending the two previous methods together. This model is often used in situations where the parametric assumptions are indeterminate and inconsistent, or the nonparametric model is not fully functional. This research includes the application of parametric and semi-parametric regression models in addition to the nonparametric model as a special case of the semi-parametric regression model for estimating the hypothetical function and determining the form of the relationship between the dependent variable and the independent variables in addition to the data spread form with a line (or curve) estimation on realistic data On it from the Egyptian Athletics Federation, known as Decathlon data. | ||||
| Keywords | ||||
| الکلمات الافتتاحية:- الانحدار المعلمى; الانحدار اللامعلمى; الانحدار شبه المعلمى | ||||
| References | ||||
|
(1) Greenberg, E., & Greenberg, E. (2012). Semiparametric Regression. In Introduction to Bayesian Econometrics (pp. 148–168). https://doi.org/10.1017/cbo9781139058414.011
(2) Harezlak, J., Ruppert, D., & Wand, M. P. (2018). Semiparametric regression with R. Springer New York.
(3) Huang, J., Wei, F., & Ma, S. (2012). Semiparametric regression pursuit. Statistica Sinica, 22(4), 1403–1426. https://doi.org/10.5705/ss.2010.298
(4) Li, R., & Liang, H. (2008). Variable selection in semiparametric regression modeling. Annals of Statistics, 36(1), 261–286. https://doi.org/10.1214/009053607000000604
(5) Martins-Filho, C., Mishra, S., & Ullah, A. (2008). A class of improved parametrically guided nonparametric regression estimators. Econometric Reviews, 27(4–6), 542–573. https://doi.org/10.1080/07474930801960444
(6) Naito, K. (2002). Semiparametric regression with multiplicative adjustment. Communications in Statistics - Theory and Methods, 31(12), 2289–2309. https://doi.org/10.1081/STA-120017226
(7) Robinson, P. M. (1988). Root-N-consistent semiparametric regression. Econometrica: Journal of the Econometric Society, 931-954.
(8) Ruppert, D., Wand, M. P., & Carroll, R. J. (2009). Semiparametric regression during 2003–2007. Electronic journal of statistics, 3, 1193.
(9) Ravikumar, P., Lafferty, J., Liu, H., & Wasserman, L. (2009). Sparse additive models. Journal of the Royal Statistical Society. Series B: Statistical Methodology, 71(5), 1009–1030. https://doi.org/10.1111/j.1467-9868.2009.00718.x
(10) Reda Abonazel, M., & Gad, A. A. E. (2018). Robust partial residuals estimation in semiparametric partially linear model. Communications in Statistics: Simulation and Computation, 49(5), 1223–1236. https://doi.org/10.1080/03610918.2018.1494279
(11) Yoshida, T. (2018). Semiparametric method for model structure discovery in additive regression models. Econometrics and Statistics, 5, 124–136. https://doi.org/10.1016/j.ecosta.2017.02.005 | ||||
|
Statistics Article View: 319 PDF Download: 957 |
||||
