你好 每个人，
我的 姓名 是 拉伊德·法迪尔 穆罕默德。
I 是 a 统计员。 I 讲师 在 大学 的 穆斯坦西里亚。
我的 论文标题为 估算 这 范围 的 泊松 回归 模型 在下面
这 多重共线性 问题 .
大纲： 泊松 回归 模型， 多重共线性 问题，
岭回归估计量 方法，
刘估计法， 和 真实的 数据 例子。
结论 和 参考。
泊松回归 模型。
一 的 这 类型 的 回归 模型 那 落下 在下面 线性对数
回归 模型 作为 经过 服用 这 自然的 对数
的 这 分配 公式， 事实证明 进入 a 线性 程序。
随机的 错误 在里面 模型 跟随 泊松 分配 和 a 范围
在
这 模型 是 基于 在 二 基本的 假设 关于 这 分配
作为 它 不同 从 这 分配 的 随机的 线性回归中的误差
模型和 这 特性 的 这 泊松 分配 范围 在 作为 a 功能
的 预测器 变量。
M 多重共线性 问题。
出现多重共线性问题 什么时候 二 或者 更多的 预测器 变量 是 相关的
到 一个固体 线性 关系， 所以 它是 难的 到 分离 这 影响
的 每个 预测器 多变的 从 这 受抚养人 多变的
在 实践。
或者 什么时候 这 价值 的 一 的 这 预测变量 依靠 在 一 或者 更多的
的 这 其他 预测器 变量 在 这 模型 在下面 学习，
作为 出色地 作为 如果 数据 需要 这 形式 的 a 时间 系列 或者 穿过- 部分 数据。
这 多重共线性 问题 能 是 分类 进入 二 类型：
数字 1、 完全多重共线性。
的决定因素 信息 矩阵 为零， x 转置 x 决定 平等的
零。
由此可知 这 是 不可能的 到 估计，
这 参数 的 这 回归 模型 到期的 到 这 无力 到 计算
这 逆 的 矩阵 x 转置 X。
这 最好的 方法 在 这 案件 到 计算 x 转置 x。 我们 能 制作 使用
主要的 成分 分析。
数字 2、 半完美 多重共线性。
在 这 案件， 如果 这 价值 的 这 决定因素 信息 矩阵
是 最小的， 关闭 到 零，
然后 这 参数 估计的 大量 方差。
这 最好的 方法 在 这 案件 我们 能 使用 回归 方法 或者 狮子座
預估器 方法。
这 下列的 公式 这里 能 表达 这 方差- 协方差 矩阵
的 参数 估计的。
也许 这 最好的 统计 方法 为了 测量 这 多重共线性
强度 是 这 方差 在 通货膨胀 因素 维基百科 谁的 公式是 作为 如下。
风险因子 平等的 一 超过 一 减 R 正方形。
R 正方形 这里 决定 系数。
岭回归 估算器 方法。
一 的 这 重要的 备择方案 为了 估计 这 参数
的 回归 模块 什么时候 那里 是 m 多重共线性 之间 预测器
变量。
这 方法 已确立的 根据 到 这 原则 的 这 研究人员 霍尔
和 肯纳德， 哪个 是 经过 添加 a 小的 积极的 数量 到 这 矿 直径
元素 的 这 信息 矩阵。
这 回归 估计量 是 基于 什么时候 k 更大 比 零 所以 那 这 根据
数量 能 是 表达 经过 这 公式， 带减号 身份 经过 测试版。
刘 估算器 方法。
研究人员 刘 1993 铺设 这 基金会 的 这 方法 到 地址
这 问题 的 这 方差 通货膨胀 的 这 估计的 参数
在 这 在场 的 多重共线性 一个问题。
这 刘 估计器 为了 这 范围 泊松 回归 能 是 表达
在 这 下列的 公式。
还 刘 估计量 是 有偏见 什么时候 d 更大 比 零 和 这 震级
的 这 偏见 是 z 减 身份 经过 测试版。
刘 估计量 是 有偏见的， 这 原因 的 这 偏见 是 这 添加 价值
d, 哪个 范围 之间 零 和 一。
还， 这 计算 意思是 平方 错误 根据 到 刘 估计者的 方法
是 较少的 比 这 意思是 平方 错误 为了 这 相同的 参数 如果 估计的
根据 到 这 最大限度 可能性 方法。
真实的 数据 例子。
我们 将要 获得 真实的 数据 关于 先天性 缺陷 的 这 心
和 循环系统 系统 在 a 新的 出生 从 这 中央 儿童T 教学 医院
在 巴格达， 伊拉克， 在哪里 这 分配 的 a 受抚养人
多变的 y 代表 异常 的 这 心 和 循环系统 系统
在 孩子们 曾是 研究过。
此外 揭示 存在 的 a 多重共线性 问题 之中
这 预测器 变量 在下面 学习。
这 案件 的 先天性 残疾 到达 在 这 中央 孩子 教学
医院 是 已录制 在 a 形式 准备 经过 这 统计数据 分配 在 这 医院
在 这 形式 的 数数 数据 和 总计 之内 半 每月 期间，
这 样本 曾是 已采取 为了 这 时期 从 2012 到 结尾 2019年，
和泊松 回归 模型 曾是 建造 作为 一 的 这 合适的 楷模
到 描述 这种现象 这 下列的 公式：
yi equ 阿尔 指数 测试版 一 十一 1 加 测试版 2 十一 2 加 测试版 3 十一 3加测试版
4 xi 4 加 beta 5 xi 5 加 beta 6 xi 6 加 beta 7 xi 加 ui。
y 代表 这 全部的 数字 的 孩子们 和 先天性 心
和 循环系统 缺陷 在 每个 时期。
Xi1，总加权 的 已感染 孩子们 之内 每个 时期。
Xi2， 全部的 年龄 父亲 的 屈折的 孩子们 之内 每个 时期。
Xi3，各时期内变位儿童母亲的年龄总和。
席 4、 代表 这 数字 的 已感染 男性 孩子们 之内 每个 时期。
Xi5 代表 这 数字 的 感染 女性 孩子们 之内 每个。
习 6、 这 数字 的 受感染的儿童 出生 来自血缘 婚姻
之内 每个 时期。
习7, 这 数字 的 已感染 孩子们 谁的 母亲 是 裸露 到 辐射
或者 生活 影响 这样的 作为 服用 肯定 药物 和 药物 在怀孕期间。
测试版 一， 测试版 二， 测试版 三， 测试版 四、 测试版 五， 测试版 六 和 测试版 七 测试版。
这 坡 参数 在 这 模型 和 测试版 笔记 代表
这 常数项。
用户界面 代表 这 随机的 错误 在 这 模型。
这 桌子， 测试 数据 和 诊断 多重共线性 到 寻找 出去 可能性
分配 根据 到 哪个 回复 多变的 能 是 分散式。
我们 使用 跳 赞成 16.2 和 它 曾是 成立 和， 受抚养人 多变的 关注 这 泊松
分配 和 分散式 范围， 在 等于 6.5.
到 核实， 这 适应性 的 这 泊松
分配 到 这 回复 变量 y。
这 测试 善良 的 它 曾是 实施 为了 这 多变的 的 这 全部的
数字 的 孩子们 和 先天性 心 和 循环系统 防御 在 每个 时期。
这 扔 哪个 我们 制作 展示 那 这 毒 分配 是 这 最多
晋升 分配 那 受抚养人 多变的 可以按照。
在哪里 我们 没有 这 善良 的 测试 价值 是 4958.4579 和 意义
等级 关闭 到 零。
作为 在 这 桌子 在 这 正面 的 你。
到 探测 无论 那里 是 多重共线性 之中 这 产品
多变的 在下面 学习，
我们 能 计算 这 相关性 矩阵 之间 这 预测器 变量。
从 这 数字 我们 观察 那 价值 的 相关性 系数 是 重要的
和 大的 为了 全部 预测器 变量， 作为 每个 多变的 是 联系 和 全部
预测器 变量， 和 这 强的 直接的 线性 相关性。
这 桌子 显示 这 价值 的 各种各样的 功能 因素。
作为 这 最大的 的 他们， 出色地 那些 的 这 投影仪变量，X2、X3 和 X4
破坏投影仪变量的方差膨胀因子
存在数字 18。
从 这 我们 得出结论 那 那里 是 a 线性 乘 之间
这 预测器 变量 和 这 [听不清楚 00:16:24]。
应用 的 泊松 回归 方法。
范围 預估器 使用泊松回归模型 方法 回归，
我们 观察 那 这 全部的 数字 的 孩子们 和 先天性 健康，
和 循环系统 缺陷 在 每个 时期 依靠 在 这 增加 和 全部
参数 的 [听不清楚 00:17:11]。
然而， 最多 变量 是 微不足道。 x1, x4,
X5 和 X6
因为 的 这 效果 的 半 完美的 多 共线性。
还， 这 结果 表示 那 这 根据 范围 是 k 平等的 零
第一、二点。
[外语 00:17:53]
86.4959。
这 桌子 我们 能 获得 经过 使用 跳转。
什么时候 我们 是 申请 这 刘 估计器 方法 到 估计 这 系数
的 这 泊松 回归 模块 在 这 在场 的 这 多重共线性
问题。
我们 使用 这 跳转 秘密 到 连接 之间 我们的 语言 和 跳转。
这 秘密 连接并运行 JMP，
这 包裹 的 刘 回归 在 我们的 语言。
在申请 [听不清 00:19:12]，系数，我们得到了这个结果。
我们 观察到的 那 这 全部的 数字 的 孩子们 和 这 先天性 心
和 循环系统 在 每个 时期 依靠 在 这 程度
的 增加 在 全部 参数 的 这 模型，
尽管 这 微不足道 的 这 多变的 十一 1.
因为 全部 变量 在下面 学习 是 增加 这 数字 的 孩子们
和 先天性 残疾， 但 它 是 非常 好的 特性。
还 这 结果 表示
那 饥饿的 形成 标准 35. 二十九
添加 这 根据 范围 d 等于 4.1。
什么时候 比较 这 二 方法 回归 和 刘估计，
我们 知道 那 这 估计器 方法 给定 a 低的 价值 的 信息。
有 更多的 重要的 精通 什么时候 他们 比较 到 这 规则 方法。
结论。
在 这 纸， 我们 审查 这 最多 著名的 方法 的 范围 估计
的 这 泊松 回归 模型 什么时候 这 数据 遭受 从 这 问题
的 半 完全多重共线性， 在哪里 拿 山脊 回归 方法
和 刘 估计者的 方法 和 比较的 这 二 方法 基于
在 帐户 信息 标准 作为 a 标准 为了 比较。
经过 申请 回归 分析 方法 在 这 在场 的 a 半完美
多重共轭 问题变成现实 数据 关于 先天性 心
和 循环系统 缺陷 在 新生儿， 获得 来自 中央 孩子 教学
医院 为了 这 时期 从 2012 到 2019年，
我们 寻找 刘 估计器的 方法 是 更多的 高效的 比 这 回归
方法 因为 它 有 a 下赤池 信息 标准。
它 还 给出 更多的 可靠的 结果 和 更多的 准确的 p 值。
数字 3： 通过刘估计器 方法， 它 是 清除 那 全部 预测器 变量
在下面 研究是 有影响 在 这 回归 模型，
甚至 如果 他们 是 不是 重要的， 作为 全部 参数 是 有影响
在 增加 这 数字 的 孩子们 和 先天性 残疾 但
在不同 比例。
感谢 你。
