Bonjour tout le monde,
mon nom est Raaed Fadhil Mohammed.
I suis a statisticien. I Maître de conférences dans Université de Mustansiriyah.
Mon le titre du papier est Estimation le Paramètre de Poisson Régression Modèle Sous
le Multicolinéarité Problème .
Contour: Poisson Régression Modèle, Multicolinéarité problème,
Estimateur de régression Ridge Méthode,
Méthode des estimateurs Liu, et Réel Données Exemple.
Conclusion et Les références.
Régression de Poisson Modèle.
Un de le les types de régression modèle que automne sous linéaire-logarithmique
régression modèle comme par prise le naturel logarithme
de le distribution formule, ça tourne dans a linéaire procédure.
aléatoire les erreurs dans le modèle suivre un Poisson distribution avec a paramètre
dans
Le modèle est basé sur deux essentiel hypothèses à propos le distribution
comme il diffère depuis le distribution de aléatoire erreurs dans la régression linéaire
modèle et le propriétés de le Poisson distribution paramètre dans comme a fonction
de prédicteur variables.
M multicolinéarité Problème.
Des problèmes de multicolinéarité surviennent quand deux ou plus prédicteur variables sont corrélé
à un solide linéaire relation, donc c'est difficile à séparé le effet
de chaque prédicteur variable depuis le dépendant variable
dans pratique.
Ou quand le valeur de un de le variables prédictives dépend sur un ou plus
de le autre prédicteur variables dans le modèle sous étude,
comme Bien comme si la données prend le formulaire de a temps série ou à travers- section données.
Le multicolinéarité problème peut être classifié dans deux les types:
Nombre 1, Multicolinéarité parfaite.
Le déterminant du information matrice est zéro, x transposer x déterminé égal
zéro.
Il découle de ce est impossible à estimation,
le paramètres de le régression modèle exigible à le incapacité à calculer
le inverse de matrice x transposer X.
Le meilleur méthode dans ce cas à calculer x transposer x. Nous peut faire utiliser
principal composant analyse.
Nombre 2, Semi-parfait multicolinéarité.
Dans ce cas, si le valeur de le déterminant information matrice
est minimal, fermer à zéro,
alors le paramètres estimé considérable variance.
Le meilleur méthode dans ce cas nous peut utiliser régression méthode ou Leo
estimateur méthode.
Le suivant formule ici peut exprimer le variance- covariance matrice
de la paramètres estimé.
Peut-être le meilleur statistique méthode pour mesure le multicolinéarité
intensité est le variance dans flation facteur VIF, dont la formule est comme suit.
VIF égal un sur un moins R carré.
R carré ici déterminé coefficient.
Régression de crête Estimateur Méthode.
Un de le important alternatives pour Estimation le paramètres
de régression module quand là est m multicolinéarité entre prédicteur
variables.
Ce méthode établi selon à le principe de le des chercheurs Hœrl
et Kennard, lequel est par ajouter a petit positif quantité à le le mien diamètre
éléments de le information matrice.
Le régression estimateurs sont basé quand k plus grand que zéro donc que le base
montant peut être exprimé par le formule, Avec moins identité par bêta.
Liu Estimateurs méthode.
Le chercheur Liu 1993 posé le fondations de ce méthode à adresse
le problème de le variance inflation de le estimé paramètres
dans le présence de multicolinéarité un problème.
Le Liu estimateur pour le paramètre Poisson régression peut être exprimé
dans le suivant formule.
Aussi Liu estimateurs sont biaisé quand d plus grand que zéro et le ordre de grandeur
de le biais est z moins identité par bêta.
Liu estimateurs sont biaisé, le raison de le biais est le ajoutée valeur
d, lequel gammes entre zéro et un.
Aussi, le calculé signifier au carré erreur selon à Liu les estimateurs méthode
est moins que le signifier au carré erreur pour le même paramètres si estimé
selon à le maximum probabilité méthode.
Réel Données exemple.
Nous volonté obtenir réel données concernant congénital défauts de le cœur
et circulatoire système dans a nouveau nés depuis le Central Enfant T chacun Hôpital
dans Bagdad, Irak, où le distribution de a dépendant
variable y représente anomalies de le cœur et circulatoire système
dans enfants était étudié.
Également révélateur existence de a multicolinéarité problème parmi
le prédicteur variables sous étude.
Le cas de congénital handicapées en arrivant à le Central Enfant Enseignement
Hôpital sont enregistré dans a formulaire préparé par le Statistiques Division dans le hôpital
dans le formulaire de compter données et totaux dans semi mensuel périodes,
le échantillon était pris pour le période depuis 2012 à fin 2019,
et un Poisson régression modèle était construit comme un de le approprié des modèles
à décrire ce phénomène comme le suivant formule:
oui Al exponentiel bêta un xi 1 plus bêta 2 xi 2 plus bêta 3 xi 3 plus beta
4 xi 4 plus bêta 5 xi 5 plus bêta 6 xi 6 plus bêta 7 xi plus ui.
Que tu représentes le total nombre de enfants avec congénital cœur
et circulatoire défauts dans chaque période.
Xi1, le total pondéré de infecté enfants dans chaque période.
Xi2, le total âge pères de fléchi enfants dans chaque période.
Xi3, l'âge total des mères d'enfants infléchis au cours de chaque période.
XI 4, représente le nombre de infecté mâle enfants dans chaque période.
Xi5 représente le nombre de inecté femelle enfants dans chaque.
XI 6, le nombre de enfants infectés né de consanguin mariages
dans chaque période.
Xi7, le nombre de infecté enfants dont les mères étaient exposé à radiation
ou vie influence tel comme prise certain médicaments et drogues pendant la grossesse.
Bêta un, bêta deux, bêta trois, bêta quatre, bêta cinq, bêta six et bêta Sept bêta.
Le pente paramètres dans le modèle et bêta note représente
le terme constant.
interface utilisateur représenter le aléatoire erreur dans le modèle.
Ce tableau, Essai Données et Diagnostic Multicolinéarité à trouver dehors probabilité
distribution selon à lequel réponse variable peut être distribué.
Nous utiliser saut pro 16.2 et il était trouvé et, dépendant variable suit le Poisson
distribution avec distribué paramètre, dans équivaut à 6.5.
À vérifier, le pertinence de le Poisson
distribution à le réponse variable y.
Le essai bonté de il était mené pour le variable de le total
nombre de enfants avec congénital cœur et circulatoire la défense dans chaque période.
Le lancer lequel nous faire montrer que le poison distribution est le la plupart
promu distribution que dépendant variable peut suivre.
Où nous ne pas avoir le bonté de test valeur est 4958.4579 avec importance
niveau fermer à zéro.
Comme sur le tableau dans le devant de toi.
À détecter si là est multicolliniarité parmi le produit
variable sous étude,
nous peut calculer le corrélation matrice entre le prédicteur variables.
Depuis le chiffre nous observer que valeur de corrélation coefficient sont significatif
et grand pour tous prédicteur variables, comme chaque variable est associé avec tous
prédicteur variables, avec le fort direct linéaire corrélation.
Ce tableau montré le valeur de divers fonction facteurs.
Comme le le plus grand de eux, Bien ceux de le variables du projecteur, X2, X3 et X4
Le facteur d'inflation de la variance pour saper les variables du projecteur
existe le nombre 18.
Depuis ce nous conclure que là est a linéaire multiplier entre
le prédicteur variables et le [inaudible 00:16:24].
Application de Poisson régression méthode.
Paramètre estimateur du modèle de régression de Poisson utilisant méthode régression,
nous observer que le total nombre de enfants avec congénital santé,
et circulatoire défauts dans chaque période dépend sur le augmenter et tous
paramètres de [inaudible 00:17:11].
Cependant, la plupart variables sont insignifiant. x1, x4,
X5 et X6
parce que de le effets de semi- parfait multi colinéarité.
Aussi, le résultat indique que le base paramètre est k égal zéro
point un, deux.
[langue étrangère 00:17:53]
86.4959.
Ce tableau nous peut obtenir par en utilisant JMP.
Quand nous sont postuler le Liu estimateur méthode à estimation le coefficient
de le Poisson régression module dans le présence de le multicolinéarité
problème.
Nous utiliser le JMP secrète à connecter entre notre langue et JMP.
Ce secrète pour se connecter et courir depuis JMP,
le emballer de Liu régression dans notre langue.
En postulant à [inaudible 00:19:12], le coefficient, nous avons obtenu ce résultat.
Nous observé que le total nombre de enfants avec le congénital cœurs
et circulatoire dans chaque période dépend sur le étendue
de augmenter dans tous paramètres de le modèle,
malgré le insignifiance de le variable xi 1.
Parce que tous variables sous étude sont en augmentant le nombre de enfants
avec congénital handicapées, mais il est très bien propriétés.
Aussi le résultat indique
que Affamé formation critères 35. 29
ajouter le base paramètre d égal à 4,1.
Quand comparant le deux méthodes régression et estimateur Liu,
nous savoir que le estimateur approche donné a faible valeur de information.
A plus significatif compétent quand ils comparer à le règle méthode.
Conclusions.
Dans ce papier, nous revoir le la plupart éminent méthode de paramètre Estimation
de le Poisson régression modèle quand le données souffrir depuis le problème
de semi- multicolinéarité parfaite, où a pris La crête régression méthode
et Liu les estimateurs méthode et par rapport le deux méthodes basé
sur Compte Information Critères comme a critère pour comparaison.
Par postuler régression analyse méthode dans le présence de a semi-parfait
multicollnéarité problème devenu réel données concernant congénital cœur
et circulatoire défauts dans les nouveau-nés, obtenu du Central Enfant Enseignement
Hôpital pour le période depuis 2012 à 2019,
nous trouver le Liu de l'estimateur méthode est plus efficace que le régression
méthode parce que il a a abaisser celui d'Akaike information critère.
Il aussi donne plus fiable résultats et plus précis valeurs p.
Nombre 3 : Grâce aux estimateurs Liu méthode, il est clair que tous prédicteur variables
sous l'étude est influent dans le régression modèle,
même si ils sont pas significatif, comme tous paramètres sont influent
dans en augmentant le nombre de enfants avec congénital handicapées mais
en variant proportions.
Remercier toi.
