این مقاله مروری تفضیلی بر مساله داده های گمشده در رگرسیون پارامتری و ناپارامتری است. مبانی نظری، خواص و همچنین نتایج شبیه سازی می توانند به خواننده کمک کنند که با مساله رایج مجموعه های داده های ناقص آشنا شوند. البته، همه رخدادها را نمی توان مورد بحث قرار داد. در نتیجه این مقاله را می توان به عنوان مقدمه ای بر داده های گمشده در محدوده تحلیل رگرسیونی و به عنوان گسترشی از مقاله قبلی [19] در نظر گرفت.

تحلیل ممیزی برای رده بندی یک شی یا گروهی از اشیا به یکی از دو یا چند گروه متمایز معلوم یا نامعلوم مورد استفاده قرار می گیرد. در پژوهش های علمی برای رده بندی، اغلب از توابع ممیز خطی یا درجه دوم فیشر استفاده می شود. اما در این مقاله روشهایی غیرخطی بر اساس دو روش رگرسیون  ناپارامتری تحت عناوین اسپلاین رگرسیونی انطباقی چند متغیره و مدل انطباقی جمعی برای رده بندی گروه ها معرفی شده و با استفاده از یک مطالعه شبیه سازی نحوه بکارگیری آنها بررسی و متوسط نرخ خطای آنها با روشهای متداول مورد مقایسه قرار گرفته است.

فرض کنید xn}n>1 }دنباله ای از متغیرهای تصادفی دوبه دو وابسته منفی و دارای تابع چگالی مشترک است. برای این دنباله از متغیرهای تصادفی می خواهیم تابع رگرسیون تصادفی را به روش موجک برآورد کنیم. در این مقاله پس از معرفی برآوردگر مناسب رفتار مجانبی آن مورد بررسی قرار خواهد گرفت.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

رابطه بین تورم و نااطمینانی تورم یکی از روابط مهم تجربی در اقتصادکلان است. آشکار شدن جهت علی این رابطه، راهبرد بهینه بانک های مرکزی را در اجرای سیاست های پولی مشخص خواهد کرد. در این پژوهش، به منظور محاسبه نااطمینانی تورم ابتدا با استفاده از الگوی تغییر رژیم مارکف با سه رژیم خطاهای پیش بینی آتی تورم محاسبه می شود و سپس با استفاده از روش BIP-GARCH واریانس شرطی تورم به عنوان جایگزینی از نااطمینانی تورم استخراج می شود. در نهایت، با استفاده از آزمون علیت گرنجری فرضیه های مختلف در مورد رابطه بین تورم و نااطمینانی تورم بررسی و با روش رگرسیون ناپارامتری بر علامت این رابطه در بازه های مختلف تورمی تمرکز می شود. یافته های این پژوهش نشان دهنده آن است که نااطمینانی تورم در طول دوره های پر تلاطم سیاسی افزایش می یابد و به شدت تحت تاثیر نوسانات ارزی است. عدم پالایش خطاهای پیش بینی پرت ناشی از شوک های بزرگ و موقت منجر به انتخاب الگو IGARCH(1,1) خواهد شد که به معنای نامحدود بودن اثر شوک ها بر نااطمینانی تورم در طول زمان است. همچنین، تخمین ناپارامتری بین تورم و نااطمینانی تورم نشان دهنده وابستگی این رابطه به بازه ای است که تورم در آن قرار می گیرد. علاوه براین، نتایج نشان دهنده آن است که افزایش نااطمینانی تورم به شکل غیرخطی بر تورم آتی اثر می گذارد. در نتیجه، بانک مرکزی از طریق کاهش نااطمینانی سیاست گذاری پولی با تصحیح انتظارات تورمی می تواند نرخ تورم را کنترل کند.

در این مطالعه به منظور برآورد شاخص های عملکرد هیدرولیکی سیستم آبیاری تحت فشار، جایگزینی مدل های هیدرولیکی با استفاده از مدل های آماری و شبکه عصبی مصنوعی مورد ارزیابی قرار گرفت. ضریب یکنواختی کریستیانسن به عنوان شاخص عملکرد هیدرولیکی، در نظر گرفته شد و با استفاده از یک الگوریتم، مقادیر این شاخص به صورت تابعی از ترکیب های مختلف فشار ورودی، تعداد خروجی ها، فاصله خروجی ها، ضریب زبری لوله، قطر داخلی، شیب، دبی اسمی خروجی ها، فشار کارکرد خروجی ها و توان معادله دبی خروجی ها محاسبه گردید (4320 ترکیب مختلف). دو مدل شبکه عصبی مصنوعی شامل شبکه پرسپترون چندلایه (MLP) و شبکه رگرسیون تعمیم یافته (GRNN) و نیز روش K نزدیک ترین همسایه (KNN) به عنوان یک مدل رگرسیون ناپارامتری برای شبیه سازی شاخص عملکرد هیدرولیکی لاترال ها مورد آزمون قرار گرفتند. نتایج نشان داد که مدل شبکه عصبی مصنوعی MLP قادر است با کمترین خطا (%2-3) مقادیر ضریب یکنواختی لاترال های آبیاری تحت فشار را با استفاده از مشخصات هیدرولیکی و فیزیکی لاترال برآورد نماید. عملکرد مدل GRNN نیز به ویژه در ارتباط با کل داده ها در سطح نسبتا مطلوبی ارزیابی گردید. اما روش KNN علیرغم شبیه سازی دقیق متوسط مقادیر CU، قادر به شبیه سازی دقیق انحراف استاندارد این مقادیر نبوده و خطای آن در مرحله آزمون بسیار بیشتر از دو مدل دیگر برآورد گردید. در روش KNN، کمترین مقدار شاخص های خطا مربوط به رگرسیون ناپارامتری با 10 و 15 همسایه می باشد. نتایج این مطالعه نشان داد که امکان ساده سازی مدل های پیچیده هیدرولیکی با جایگزینی کل یا بخشی از این مدل ها با مدل های ساده تر آماری و شبکه عصبی وجود دارد و این مساله با توجه به پیچیدگی مدل های هیدرولیکی، به ویژه در فرآیند بهینه سازی سیستم های آبیاری، می تواند مورد توجه قرار گیرد.