Geri Dön

A study on jackknifed estimators in regression model in presence of multicollinearity

Regresyon modelinde çoklu bağlantı durumunda jackknifed tahmin edicileri üzerine bir çalışma

  1. Tez No: 754625
  2. Yazar: MOHAMMED KAMAL SALIH SALIH
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ŞERİFENUR CEBESOY ERDAL, DR. ÖĞR. ÜYESİ FERAS SHAKER MAHMOOD
  4. Tez Türü: Yüksek Lisans
  5. Konular: Matematik, Mathematics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Çankırı Karatekin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 61

Özet

Birçok araştırmacı, çoklu doğrusal regresyonda çoklu bağlantı probleminin etkisini azaltmak için Jackknife tekniğini kullanmadan yanlı tahmin geliştirmiştir. Jackknife yanlı tahmini, en iyi tahmin ediciyi belirlemek için çoklu doğrusallık problemini çalışmış ve iyi özelliklere sahip olmasının yanı sıra, önceki literatürde mevcut olan Jackknife tahmin edicilerinin kapsamlı bir incelemesini yaparak onların üstesinden gelmiştir. Bu tez, çoklu doğrusal modelde bu tahmin edicilerin yüksek varyansının etkisini azaltmanın yanı sıra yanlılığı da azaltmak için yanlı tahmin edicide uygulanan Jackknife tekniğine dayanmaktadır. Ayrıca, çoklu doğrusal regresyon modelinde Jackknife Liu tipi tahmin ediciye (JLTE) dayalı“geliştirilmiş Jackknife Liu tipi tahmin edici (IJLTE)”olarak adlandırılan yeni bir tahmin edici önerilmiştir. Teorik olarak bazı yanlı tahmin edicilerle kıyaslandığında, IJLTE'nin performansı, uyum iyiliğinin bir ölçüsü olarak ortalama kareler hatasına (MSE) dayalı olarak kanıtlanmıştır. IJLTE tahmincisi, bazı teoremleri simüle ederken kanıtlanmış olan farklı yanlı tahmin edicilerle kıyaslandığında iyi özelliklere sahiptir. Jackknifed yanlı tahmin ediciler ve yanlı tahmin ediciler arasında, ortalama ardışık hata kriterlerine (MSE) dayalı olarak bu ailelerden en iyi tahmin ediciyi belirlemk için sayısal bir örneğin yanı sıra bir de simülasyon çalışması yapılmıştır.

Özet (Çeviri)

Many researchers developed the biased estimation for reducing the impact of the multicollinearity problem in multiple linear regression but not using the Jackknife technique. The Jackknife biased estimation studied and over come the multicollinearity problem to determine the best estimator has good properties as well as to examined by conducting a comprehensive review of the Jackknife estimators present in previous literature. This thesis is based on applied Jackknife teachnique in biased estimator to reduce the baisedness as well as reduce the effect of high variance of these estimators in multiple linear model. Furthermore, a new estimator has been proposed in the multiple linear regression model called the“improved Jackknife Liu type estimator (IJLTE)”based on the Jackknife Liu type estimator (JLTE). The performance of IJLTE compared to some biased estimators theoretically is proofed based on the mean squares error (MSE) as a measure for goodness of fit. The IJLTE estimator has good characteristics compared with different biased estimators that have been proved when simulating some theorems. A simulation study as well as a numerical example between the Jackknifed biased estimators and the biased estimators has been done to determine the good estimator from these families based on mean sequare error criteria (MSE).

Benzer Tezler

  1. Grafik yöntemlerle etkin gözlemlerin ve aykırı değerlerin tespiti

    Identifying of influential observations and outliers with diagnostic plots

    YEŞİM AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    Y.DOÇ.DR. VEDİDE REZAN USLU

  2. Laboratuvar yöntemlerinin karşılaştırılmasında bootstrap yöntemine dayalı regresyon yaklaşımları

    Bootstrap based regression methods in comparison of laboratory methods

    GÖZDE ERTÜRK

    Doktora

    Türkçe

    Türkçe

    2020

    BiyoistatistikEskişehir Osmangazi Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    DOÇ. DR. CENGİZ BAL

  3. Genelleştirilmiş lineer modellerde yanlı tahmin yöntemleri ve uygulamaları

    Biased estimators and their applications in generalized linear models

    MERVE KANDEMİR ÇETİNKAYA

    Doktora

    Türkçe

    Türkçe

    2024

    İstatistikÇukurova Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SELAHATTİN KAÇIRANLAR

  4. Probit regresyon modelde çoklubağlantı problemi üzerine

    On the problem of multicollinearity in probit regression models

    KADRİYE KILINÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    MatematikNecmettin Erbakan Üniversitesi

    Matematik Ana Bilim Dalı

    DOÇ. DR. YASİN ASAR

  5. Çoklu doğrusal regresyon analizinde çakı tahmin yöntemi ve test problemlerine katkılar

    Contributions to the jackknife estimation and test problems in multiple linear regression analysis

    TOLGA ZAMAN

    Doktora

    Türkçe

    Türkçe

    2017

    İstatistikOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. DR. KAMİL ALAKUŞ