عنوان

Estimation of gamma regression parameters in the presence of multicollinearity

Number

T27902

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

Estimation of gamma regression parameters in the presence of multicollinearity

General Material Designation

Dissertation

First Statement of Responsibility

Ghaith Rahman Taaban Al- Attwani

Name of Publisher, Distributor, etc.

Mathematics, Statistics and computer Sciences

Date of Publication, Distribution, etc.

1401

Specific Material Designation and Extent of Item

94p.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S.

Discipline of degree

STATISTICS

Date of degree

1401/10/04

Text of Note

The gamma regression model is one of the regression models that has found a lot of uses, particularly in a variety of sciences such as engineering, medicine, insurance, and the humanities, among other areas. When the response variable can only take positive restricted to positive real numbers, this model is utilized. The maximum likelihood approach is normally the one that is used whenever the covariates do not have any link with each other. This is because the maximum likelihood method is the most accurate estimation method. However, just like in linear regression models, it is possible that we come across situations in which there is a correlation or linear relationship between the covariates. In such a scenario, the inference that is drawn using this method will be incorrect due to the large estimate that is produced. In this thesis, we investigate how to estimate the parameters of a gamma regression model when there is multicollinearity between the covariates. We begin by presenting the ridge estimator for the gamma regression model. After that, we use the various techniques that have been suggested to estimate the ridge parameter in other regression models in the gamma regression model. Finally, we use Monte Carlo simulation to determine which ridge estimator provides the most accurate results. After that, we discuss the gamma regression model, and then apply the selected estimator to a practical scenario.

Text of Note

یکی از مدلهای رگرسیونی که کاربرد فراوانی بخصوص در علوم مختلف مانند مهندسی، پزشکی، بیمه، علوم انسانی و ... پیدا کرده است، مدل رگرسیون گاما میباشد. این مدل زمانی که متغیر پاسخ چاوله به راست و محدود به اعداد حقیقی مثبت است مورد استفاده قرار میگیرد. در حالت عادی زمانی که متغیرهای کمکی هیچگونه همبستگی با هم نداشته باشند، روش معمولی که برای برآورد پارامترهای مدل استفاده میشود، روش حداکثر درستنمایی میباشد. اما ممکن است که همانند مدلهای رگرسیون خطی، با مواردی روبرو شویم که بین متغیرهای کمکی همبستگی یا رابطه خطی وجود داشته باشد در این صورت استنباط با استفاده از این روش بدلیل برآورد بزرگی که ایجاد میشود، گمراه کننده خواهد بود. در این پایاننامه، برآورد پارامترهای مدل رگرسیون گاما را زمانی که همخطی بین متغیرهای کمکی وجود دارد مورد بررسی قرار میدهیم. برآوردگر ریج را برای مدل رگرسیون گاما معرفی نموده و از روشهای مختلف که برای برآورد پارامتر اریبی ریج در مدلهای رگرسیون دیگر مطرح شدهاند را در مدل رگرسیون گاما مورد استفاده قرار خواهیم داد و در ادامه با استفاده از شبیه سازی مونت کارلو، بهترین برآوردگر ریج را در مدل رگرسیون گاما معرفی خواهیم نمود و برآوردگر انتخابی را در مثال واقعی مورد استفاده قرار خواهیم داد

Variant Title

برآورد پارامترهای مدل رگرسیون گاما در حضور همخطی

Subject Term

Gamma regression model- Generalized linear model- Maximum likelihood estimator- Ridge estimator- Multicolinearity

Subject Term

مدل رگرسیون گاما – مدل خطی تعمیم یافته-برآوردگر ماکزیمم درستنمایی - برآوردگر ریج – همخطی چندگانه

Entry Element

Rahman Taaban Al- Attwani,

Part of Name Other than Entry Element

Ghaith

Relator Code

Producer

Entry Element

Bevrani,

Part of Name Other than Entry Element

Hossein

Relator Code

Thesis advisor

Entry Element

Tabriz

Country

ایران

Agency

Central Library of Tabriz University

Date of Transaction

20230125

Call Number

ارشد پایاننامه QA276.R34 1401

Electronic name

Ghaith Rahman Taaban Al- Attwani

Contact for access assistance

عبادی

e

TL

276903

a

Y