Search results: Found 2

 Listing 1 - 2 of 2 Sort by Relevance Year-Descending Year-Ascending

Article
Comparison between the Methods of Ridge Regression and Liu Type to Estimate the Parameters of the Negative Binomial Regression Model Under Multicollinearity Problem by Using Simulation
مقارنة بين طرائق انحدار الحرف ونوع ليو في تقدير معلمات أنموذج انحدار ثنائي الحدين السالب في ظل وجود مشكلة التعدد الخطي باستخدام المحاكاة

Authors: سهيل نجم عبود --- ايناس صلاح خورشيد
Journal: journal of Economics And Administrative Sciences مجلة العلوم الاقتصادية والإدارية ISSN: 2227 703X / 2518 5764 Year: 2018 Volume: 24 Issue: 109 Pages: 515-534
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

The problem of Multicollinearity is one of the most common problems, which deal to a large extent with the internal correlation between explanatory variables. This problem is especially Appear in economics and applied research, The problem of Multicollinearity has a negative effect on the regression model, such as oversized variance degree and estimation of parameters that are unstable when we use the Least Square Method ( OLS), Therefore, other methods were used to estimate the parameters of the negative binomial model, including the estimated Ridge Regression Method and the Liu type estimator, The negative binomial regression model is a nonlinear regression model or part of the general exponential family. This is the basic structure of the Count Data Analysis, which was used as an alternative to the Poisson model when there is a problem with overdisperison Where the variation value of the response variable (Y) is greater than its arithmetic mean ,The Monte Carlo study was designed to compare the Ridge Regression Estimator and the Liu Type Estimator By using the standard Compare Mean Square Error (MSE), A simulation result showed that the method of the Liu Type estimator is better than the Ridge Regression Method, The Mean Square Error in Liu Type Estimator are lower in the third and fourth estimation formulas.

الخلاصة ان مشكلة التعدد الخطي من المشاكل الشائعة والتي تتعامل الى حد كبير مع الارتباط الداخلي بين المتغيرات التوضيحية وتظهر هذه المشكلة خصوصا في الاقتصاد والبحوث التطبيقية، ويكون لمشكلة التعدد الخطي تاثير سلبي على أنموذج الانحدار مثل وجود درجة تباين متضخم وتقدير معلمات تكون غير مستقرة عندما نستخدم مقدرات المربعات الصغرى الاعتيادية (OLS) ، لهذا تم اللجوء الى استخدام طرائق اخرى لتقدير معلمات أنموذج ثنائي الحدين السالب منها طريقة مقدر انحدار الحرف ومقدر نوع ليو، ويعتبر أنموذج انحدار ثنائي الحدين السالب (Negative Binomial Regression Model) كأنموذج انحدار غير خطي او كجزء من العائلة الاسية المعممة و هذا ألانموذج الهيكل الاساسي لتحليل بيانات العد (Count Data) و الذي استخدم كبديل لنموذج بواسون عندما تكون هناك مشكلة فوق التشتت (Overdisperison) اي عندما تكون قيمة تباين متغير الاستجابة (Y) اكبر من وسطه الحسابي ، وتم تصميم دراسة محاكاة مونت كارلوا للمقارنة بين طريقتي تقدير انحدار الحرف (Ridge Regression Estimator) ومقدر نوع ليو (Liu Type Estimator) من خلال استخدام معيار مقارنة متوسط مربعات الخطأ (MSE)، حيث بينت نتيجة المحاكاة ان طريقة مقدر نوع ليو هي افضل من طريقة مقدر انحدار الحرف اذ جاءت متوسط مربعات الخطأ لها اقل في صيغته التقديرية الثالثة والرابعة .

Keywords

Article
A Comparison of Parameters Estimation Methods for the Negative Binomial Regression Model under Multicollinearity Problem by Using Simulation
مقارنة طرائق تقدير معلمات أنموذج انحدار ثنائي الحدين السالب في ظل وجود مشكلة التعدد الخطي باستعمال المحاكاة

Authors: سهيل نجم عبود --- ايناس صلاح خورشيد
Journal: journal of Economics And Administrative Sciences مجلة العلوم الاقتصادية والإدارية ISSN: 2227 703X / 2518 5764 Year: 2019 Volume: 25 Issue: 110 Pages: 466-488
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

This study discussed a biased estimator of the Negative Binomial Regression model known as (Liu Estimator), This estimate was used to reduce variance and overcome the problem Multicollinearity between explanatory variables, Some estimates were used such as Ridge Regression and Maximum Likelihood Estimators, This research aims at the theoretical comparisons between the new estimator (Liu Estimator) and the estimators of Maximum Likelihood (ML) and Ridge Regression (RR) by using the mean square error (MSE) criterion, where the variance of the Maximum Likelihood (ML) comes in the presence of the problem Multicollinearity between the explanatory variables. In this study, the Monte Carlo simulation was designed to evaluate the performance of estimations using the criterion for comparison, the mean square error (MSE). The simulation results showed important an estimated Liu and superior to the RR and MLE estimator Where the number of explanatory variables is (p=5) and the sample size is (n=100), where the number of explanatory variables is (p=3) and for all sizes, and also when (p=5) for all sizes except size (n=100), the RR regression method is the best.

ناقش هذا البحث مقدر متحيز لأنموذج انحدار ثنائي الحدين السالب (Negative Binomial Regression Model) ومعرف بالمقدر ليو(Liu Estimator)، اذ استعمل هذا المقدر لتقليل التباين والتغلب على مشكلة التعدد الخطي بين المتغيرات التوضيحية، كما تم استخدام بعض التقديرات منها مقدر انحدار الحرف (Ridge Regression) ومقدر الامكان الاعظم (Maximum Likelihood)، اذ يهدف هذا البحث الى المقارنات النظرية بين مقدر (Liu Estimator) ومقدرات الامكان الاعظم (Maximum Likelihood) وانحدار الحرف (Ridge Regression) باستخدام معيار متوسط مربعات الخطأ (MSE)، اذ يكون تباين مقدر الامكان الاعظم (MLE) متضخم في ظل وجود مشكلة التعدد الخطي بين المتغيرات التوضيحية، وتم في هذا البحث تصميم المحاكاة (مونت كارلوا) لتقييم اداء المقدرات باستخدام معيار مقارنة متوسط مربعات الخطأ (MSE)، حيث اظهرت نتائج المحاكاة اهمية مقدر ليو وتفوقها على مقدري انحدار الحرف (RR) والامكان الاعظم (MLE) عندما يكون عدد المتغيرات التوضيحية (p=5) ولحجم العينة (n=100)، اما عندما يكون عدد المتغيرات التوضيحية (p=3) ولكافة الحجوم، وكذلك عندما (p=5) ولكافة الحجوم ماعدا حجم العينة (n=100) طريقة انحدار الحرفRR هي الافضل.

Keywords
 Listing 1 - 2 of 2 Sort by Relevance Year-Descending Year-Ascending
Narrow your search

Resource type

article (2)

Language

Year
 From To

2019 (1)

2018 (1)