برآوردگرهاي ريج در مدل رگرسيوني بتا

Ridge estimators in a beta regression model

در مدل هاي آماري، تحليل رگرسيون، به صورت گسترده براي پيش بيني روابط بين متغيرها استفاده شده است. فرضاساسي مدلهاي رگرسيون اين است كه متغير پاسخ متعلق به اعداد حقيقي است، با اين وجود در بسياري از كاربردها، ماهيت متغير پاسخ به صورت نرخ و نسبت است كه محدود به بازهي ( ۰, ۱ ) ميباشند. در مدلهاي رگرسيوني كه متغير پاسخ به صورت نسبت، نرخ يا درصد است و همچنين براي مدلبندي دادههايي كه در يكزيرفاصله مشخصي از دامنهي تغييرات متمركز هستند از مدل رگرسيوني بتا استفاده ميكنيم، با اين حال يكي از مشكلات در اقتصادسنجي و تحليل اين نوع اطلاعات، همخطي چندگانه است، يعني همبستگي بين متغيرهاي مستقل. مهمترين مشكل اين است كه واريانس ضرايب رگرسيون به شكل قله (ستيغ) متورم ميشود و بر اهميت و اندازه ضرايب آن تأثير ميگذارد. از آنجايي كه روشهاي كلاسيك در اين زمينه كارايي لازم را ندارند، پس برآوردگرهاي بهبوديافتهاي مثل برآوردگر ريج بيان ميشود. در اين مقاله، رگرسيون بتا با مشخصات آن و برآورد پارامترهاي مدل و سپس تكنيك ريج بيان مي شود.

In statistical models, regression analysis is widely used to predict the relations between variables. The basic assumption of regression models is that the response variable belongs to real numbers, however, in many applications, the response variable nature is the rate and ratio that are limited to the range (0, 1). In the regression models where the response variable is relative to the ratio, rate, or percentage, we also use the beta regression model to collect data that are concentrated on a particular distance from the variation range, yet it is one of the problems in the econometric analysis and the analysis of this type of information, that is, the correlation between the independent variables. The most important problem is that the variance of the regression coefficients is scaled to the top of the summit and affects the importance and size of the coefficients. Since classical methods do not have the required performance, then the estimators are expressed as the Ridge estimator. In this paper, the beta regression is expressed by its specifications and estimating the model parameters and then Ridge technique.