عنوان المقالة:اقتراح تقدير الجزاء الحصين LAD-Atan لنموذج انحدار بيانات عالية البُعدية Proposing Robust LAD-Atan Penalty of Regression Model Estimation for High Dimensional Data
أ.د. عمر عبدالمحسن علي القيسي | Prof. Dr. Omar Abdulmohsin Ali | 18962
نوع النشر
مجلة علمية
المؤلفون بالعربي
د.عمر عبدالمحسن علي ، د.علي حميد يوسف
المؤلفون بالإنجليزي
Omar Abdulmohsin Ali , Ali Hameed Yousif
الملخص العربي
لاقت قضية نموذج الانحدار اهتمامًا بالغ الأهمية لاختيار المتغيرات، إذ انه يؤدي دورًا أساسيًا في التعامل مع البيانات ذات الابعاد العالية. يتم استخدام معكوس الظل الذي يشير إليه دالة جزاء Atan في كل من التقدير والاختيار المتغير كطريقة فعالة. ومع ذلك ، فإن دالة الجزاء Atan حساسة جدًا للقيم الشاذة لمتغيرات الاستجابة أو توزيع ملتوي للأخطاء أو توزيع ذو ذيل ثقيل. بينما : LAD هي وسيلة جيدة للحصول على حصانة تقدير الانحدار. ان الهدف الاساس من هذا البحث هو اقتراح مُقدّر Atan يجمع بين هاتين الفكرتين في آن واحد. لقد اظهرت تجارب المحاكاة وتطبيق البيانات الحقيقية أن مقدّر LAD-Atan المقترح هو الافضل مقارنة بالمقدرات الاخرى.
الملخص الانجليزي
The issue of penalized regression model has received considerable critical attention to variable selection. It plays an essential role in dealing with high dimensional data. Arctangent denoted by the Atan penalty has been used in both estimation and variable selection as an efficient method recently. However, the Atan penalty is very sensitive to outliers in response to variables or heavy-tailed error distribution. While the least absolute deviation is a good method to get robustness in regression estimation. The specific objective of this research is to propose a robust Atan estimator from combining these two ideas at once. Simulation experiments and real data applications show that the proposed LAD-Atan estimator has superior performance compared with other estimators.
تاريخ النشر
12/09/2020
الناشر
University of Baghdad/ College of Science for Women
رقم المجلد
رقم العدد
رابط الملف
تحميل (689 مرات التحميل)
رابط خارجي
http://bsj.uobaghdad.edu.iq/index.php/BSJ/
الكلمات المفتاحية
Atan penalty, High dimensional data, Least absolute deviation, Robust regression, Variable selection.
رجوع