Совместное применение методов максимальной согласованности и антиробастного оценивания параметров при построении регрессионных моделей
https://doi.org/10.21822/2073-6185-2024-51-3-117-122
Аннотация
Цель. Целью исследования является решение задачи вычисления параметров линейной регрессионной модели на основе совместного применения методов антиробастного оценивания и максимальной согласованности между реальными и вычисленными значениями зависимой переменной в непрерывной форме. Метод. Расчет неизвестных параметров модели производится с помощью сведения исходной задачи к задаче линейного программирования. Ее решение не должно вызывать вычислительных трудностей вследствие значительного количества разработанных эффективных программных средств. Результат. Сформированная задача линейного программирования обладает допустимой для реальных ситуаций размерностью. Вывод. Результаты решения численного примера указывают на эффективность предложенного в работе способа вычисления параметров линейной регрессионной модели на основе совместного применения методов антиробастного оценивания и максимальной согласованности. Окончательный выбор значений параметров остается за разработчиком модели.
Об авторах
С. И. Носков
Иркутский государственный университет путей сообщения
Россия
Россия
Носков Сергей Иванович, доктор технических наук, профессор, профессор кафедры информационных технологий и защиты информации
664074, г. Иркутск, ул. Чернышевского, 15
Ю. А. Бычков
Иркутский государственный университет путей сообщения
Россия
Россия
Бычков Юрий Александрович, аспирант кафедры информационных технологий и защиты информации
664074, г. Иркутск, ул. Чернышевского, 15
Список литературы
1. Mohammed Jasim Farhan, Ahmed Mahdi Salih. Using Feasible Graphical Lasso Regression Method to Estimate the Parameters of General Linear Regression Model Under High Dimensional Data with Application // Al Kut Journal of Economics and Administrative Sciences 2023, Volume 15, Issue 48, P. 321-331.
2. Zahraa Karim Fahd, Basem Shaliba Muslim. Estimating the parameters of the kink regression model in the presence of a high-dimensional problem with a practical application // Al Kut Journal of Economics and Administrative Sciences 2023, Volume 15, Issue 48, P. 533-560.
3. Kumar D., Sharma V.K. An Extension of Exponentiated Gamma Distribution: A New Regression Model with Application // Lobachevskii Journal of Mathematics 2022, Volume 43, Issue 9, P. 2525–2543,
4. Ekhlass Abdulameer Al-Azzawi, Lekaa Ali Al-Always. Robust Estimation OF The Partial Regression Model Using Wavelet Thresholding // Journal of Economics and Administrative Sciences, 2022 Vol. 28, No. 133, p. 97–113.
5. Akram M.N., Amin M., Lukman A.F., Afzal S. Principal component ridge type estimator for the inverse Gaussian regression model // Journal of Statistical Computation and Simulation, 2022, Vol. 92, Is. 10, P. 2060-2089.
6. Hasibuan D. O., Pau Teku H., Drostela Putri M. F., Setyawan Y. Dwi Bekti R. Application of Geographically Weighted Regression Method on the Human Development Index of Central Java Province // Enthusiastic: International Journal of Applied Statistics and Data Science, 2023, Volume 3, Issue 2, P. 189–201.
7. Guzman-Chavez A.D., Vargas-Rodrigue E. Application of a Multiple Regression Model for the Simultaneous Measurement of Refractive Index and Temperature Based on an Interferometric Optical System // Journal of Sensors, 2023, Volume 2023, Special Issue, Article ID 2820062, 14 pages.
8. Türkşen Ö. A novel perspective for parameter estimation of seemingly unrelated nonlinear regression // Journal of Applied Statistics, 2021, Volume 48, Issue 13-15: Special Issue: Recent Statistical Methods for Data Analysis, Applied Economics, Business & Finance, P. 2326-2347.
9. Ji A., Wei B., Xu L. Robust estimation of panel data regression models and applications // Communications in Statistics - Theory and Methods, 2023, Vol. 52, No. 21, P. 7647-7659.
10. Frumento P., Salvati N. Parametric Modelling of M-Quantile Regression Coefficient Functions with Application to Small Area Estimation. Journal of the Royal Statistical Society Series A: Statistics in Society, 2020, Volume 183, Issue 1, Pages 229–250.
11. Айвазян С.А., Енюков И.С, Мешалкий Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. –М.: Финансы и статистика, 1983. -472 с.
12. Носков С.И., Попов Е.С., Середкин С.П., Тирских В.В., Торопов В.Д. Вариантное регрессионное моделирование производства электроэнергии в Российской Федерации // Вестник Дагестанского государственного технического университета. Технические науки. - 2023. - Т 50. - № 1. - С. 123-129.
13. Носков С.И. Метод максимальной согласованности в регрессионном анализе // Известия Тульского государственного университета. Технические науки. 2021. № 10. С. 380-385.
14. Носков С.И. Применение непрерывного критерия согласованности поведения при построении регрессионных моделей // Известия ТулГУ. Технические науки. 2021 № 6. С. 74-78.
15. Свидетельство о государственной регистрации программы для ЭВМ № 2023660087 Российская Федерация. Программа реализации ассоциирования непрерывной формы метода максимальной согласованности с антиробастным оцениванием параметров при построении линейной регрессионной модели: № 2023618290: заявл. 25.04.2023: опубл. 17.05.2023 / С. И. Носков, Ю. А. Бычков; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Иркутский государственный университет путей сообщения».
16. Свидетельство о государственной регистрации программы для ЭВМ № 2022681373 Российская Федерация. Программный комплекс регрессионного моделирования методом смешанного оценивания параметров с тремя альтернативными вариантами разбиения обрабатываемой выборки данных на подвыборки: № 2022680260: заявл. 28.10.2022: опубл. 14.11.2022 / С. И. Носков, К. С. Перфильева; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Иркутский государственный университет путей сообщения».
Рецензия
Для цитирования:
Носков С.И., Бычков Ю.А. Совместное применение методов максимальной согласованности и антиробастного оценивания параметров при построении регрессионных моделей. Вестник Дагестанского государственного технического университета. Технические науки. 2024;51(3):117-122. https://doi.org/10.21822/2073-6185-2024-51-3-117-122
For citation:
Noskov S.I., Bychkov Yu.A. Combined application of methods of maximum consistency and anti-robust parameter estimation in the construction of regression models. Herald of Dagestan State Technical University. Technical Sciences. 2024;51(3):117-122. (In Russ.) https://doi.org/10.21822/2073-6185-2024-51-3-117-122
Просмотров:
113
Послать статью по эл. почте 
