你好 每個人，
我的 姓名 是 拉伊德法迪爾 穆罕默德.
I 是 a 統計員。 I 講師 在 大學 的 穆斯坦西里亞。
我的 論文標題是 估計 這 範圍 的 泊松 回歸 模型 在下面
這 多重共線性 問題 .
大綱： 泊松 回歸 模型， 多重共線性 問題，
嶺迴歸估計器 方法，
劉估計法， 和 真實的 數據 例子。
結論 和 參考。
泊松回歸 模型。
一 的 這 類型 的 回歸 模型 那 落下 在下面 線性對數
回歸 模型 作為 經過 採取 這 自然的 對數
的 這 分配 公式， 事實證明 進入 a 線性 程式.
隨機的 錯誤 在裡面 模型 跟隨一個 泊松 分配 和 a 範圍
在
這 模型 是 基於 在 二 基本的 假設 關於 這 分配
作為 它 不同 從 這 分配 的 隨機的 線性迴歸中的誤差
模型和 這 特性 的 這 泊松 分配 範圍 在 作為 a 功能
的 預測器 變數。
M 多重共線性 問題。
出現多重共線性問題 什麼時候 二 或者 更多的 預測器 變數 是 相關的
到 一個固體 線性 關係， 所以 它是 難的 到 分離 這 影響
的 每個 預測器 多變的 從 這 依賴的 多變的
在 實踐。
或者 什麼時候 這 價值 的 一 的 這 預測變數 依靠 在 一 或者 更多的
的 這 其他 預測器 變數 在 這 模型 在下面 學習，
作為 出色地 作為 如果 數據 需要 這 形式 的 a 時間 系列 或者 穿過- 部分 數據。
這 多重共線性 問題 能 是 分類 進入 二 類型：
數位 1、 完美的多重共線性。
的決定因素是 資訊 矩陣 為零， x 轉置 x 決定 平等的
零。
它遵循 這 是 不可能的 到 估計，
這 參數 的 這 回歸 模型 到期的 到 這 無力 到 計算
這 逆 的 矩陣 x 轉置 X。
這 最好的 方法 在 這 案件 到 計算 x 轉置 x。 我們 能 製作 使用
主要的 成分 分析。
數位 2、 半完美 多重共線性。
在 這 案件， 如果 這 價值 的 這 行列式 資訊 矩陣
是 最小， 關閉 到 零，
然後 這 參數 估計的 大量 方差。
這 最好的 方法 在 這 案件 我們 能 使用 回歸 方法 或者 獅子座
估計器 方法。
這 下列的 公式 這裡 能 表達 這 方差- 協方差 矩陣
的 參數 估計的。
也許 這 最好的 統計 方法 為了 測量 這 多重共線性
強度 是 這 變異數 在 通貨膨脹 因素 振動頻率, 誰的 公式是 作為 接下來。
振動頻率 平等的 一 超過 一 減 R 正方形。
R 方塊 這裡 決定 係數。
嶺回歸 估算器 方法。
一 的 這 重要的 備擇方案 為了 估計 這 參數
的 回歸 模組 什麼時候 那裡 是 m 多重共線性 之間 預測器
變數。
這 方法 已確立的 根據 到 這 原則 的 這 研究者 霍爾
和 肯納德， 哪個 是 經過 添加 a 小的 積極的 數量 到 這 礦 直徑
元素 的 這 資訊 矩陣。
這 回歸 估計器 是 基於 什麼時候 k 更大 比 零 所以 那 這 根據
數量 能 是 表達 經過 這 公式， 帶減號 身分 經過 測試版。
劉 估算器 方法。
研究員 劉1993 鋪設 這 基礎 的 這 方法 到 地址
這 問題 的 這 變異數 通貨膨脹 的 這 估計的 參數
在 這 在場 的 多重共線性 一個問題。
這 劉 估計器 為了 這 範圍 泊松 回歸 能 是 表達
在 這 下列的 公式。
也 劉 估計器 是 有偏見的 什麼時候 d 更大 比 零 和 這 規模
的 這 偏見 是 z 減 身分 經過 測試版。
劉 估計器 是 有偏見, 這 原因 的 這 偏見 是 這 添加 價值
d、 哪個 範圍 之間 零 和 一。
也, 這 計算出的 意思是 平方 錯誤 根據 到 劉 估計者 方法
是 較少的 比 這 意思是 平方 錯誤 為了 這 相同的 參數 如果 估計的
根據 到 這 最大限度 可能性 方法。
真實的 數據 例子。
我們 將要 獲得 真實的 數據 關於 先天性的 缺陷 的 這 心
和 循環的 系統 在 a 新的 博恩斯 從 這 中央 兒童T 每一個 醫院
在 巴格達， 伊拉克， 在哪裡 這 分配 的 a 依賴的
多變的 y 代表 例外 的 這 心 和 循環的 系統
在 孩子們 曾是 研究過。
還有 揭示 存在 的 a 多重共線性 問題 之中
這 預測器 變數 在下面 學習。
這 案件 的 先天性的 殘障 到達 在 這 中央 孩子 教學
醫院 是 記錄的 在 a 形式 準備好了 經過 這 統計數據 分配 在 這 醫院
在 這 形式 的 數數 數據 和 總計 之內 半 每月 時期，
這 樣本 曾是 採取 為了 這 時期 從 2012年 到 結尾 2019年，
和泊松 回歸 模型 曾是 建成 作為 一 的 這 合適的 楷模
到 描述 這種現像如 這 下列的 公式：
yi equ 阿爾 指數 貝塔 一 xi 1 加 貝塔 2 希 2 加 貝塔 3 希 3加測試版
4 xi 4 加 beta 5 xi 5 加 beta 6 xi 6 加 beta 7 xi 加 ui。
y 代表 這 全部的 數位 的 孩子們 和 先天性的 心
和 循環的 缺陷 在 每個 時期。
Xi1，總加權 的 受感染 孩子們 之內 每個 時期。
xi2， 全部的 年齡 父親們 的 屈折的 孩子們 之內 每個 時期。
Xi3，每個時期內發生變化的孩子的母親的總年齡。
席 4、 代表 這 數位 的 受感染 男性 孩子們 之內 每個 時期。
Xi5 代表 這 數位 的 被感染的 女性 孩子們 之內 每個。
席 6、 這 數位 的 受感染的兒童 出生 來自近親 婚姻
之內 每個 時期。
習7, 這 數位 的 受感染 孩子們 誰的 母親們 是 裸露 到 輻射
或者 生活 影響 這樣的 作為 採取 肯定 藥物 和 藥物 懷孕期間。
貝塔 一， 貝塔 二， 貝塔 三， 貝塔 四、 貝塔 五， 貝塔 六 和 貝塔 七 測試版。
這 坡 參數 在 這 模型 和 貝塔 筆記 代表
這 常數項。
使用者介面 代表 這 隨機的 錯誤 在 這 模型。
這 桌子， 測試 數據 和 診斷 多重共線性 到 尋找 出去 可能性
分配 根據 到 哪個 回覆 多變的 能 是 分散式。
我們 使用 跳 親 16.2 和 它 曾是 成立 和， 依賴的 多變的 如下 這 泊松
分配 和 分散式 範圍， 在 等於 6.5.
到 核實， 這 適應性 的 這 泊松
分配 到 這 回覆 變數 y。
這 測試 善良 的 它 曾是 實施 為了 這 多變的 的 這 全部的
數位 的 孩子們 和 先天性的 心 和 循環的 防禦 在 每個 時期。
這 丟 哪個 我們 製作 展示 那 這 毒 分配 是 這 最多
晉升 分配 那 依賴的 多變的 可以按照。
在哪裡 我們 沒有 這 善良 的 測試 價值 是 4958.4579 和 意義
等級 關閉 到 零。
作為 在 這 桌子 在 這 正面 的 你。
到 探測 無論 那裡 是 多重共線性 之中 這 產品
多變的 在下面 學習，
我們 能 計算 這 相關性 矩陣 之間 這 預測器 變數。
從 這 數位 我們 觀察 那 價值 的 相關性 係數 是 重要的
和 大的 為了 全部 預測器 變數， 作為 每個 多變的 是 聯繫 和 全部
預測器 變數， 和 這 強的 直接的 線性 相關性。
這 桌子 顯示 這 價值 的 各種各樣的 功能 因素。
作為 這 最大的 的 他們， 出色地 那些 的 這 投影機變數 X2、X3 和 X4
破壞投影機變數的方差膨脹因子
存在數字18。
從 這 我們 得出結論 那 那裡 是 a 線性 乘 之間
這 預測器 變數 和 這 [聽不清楚 00:16:24]。
應用 的 泊松 回歸 方法。
範圍 估計器 泊松迴歸模型的使用 方法 回歸，
我們 觀察 那 這 全部的 數位 的 孩子們 和 先天性的 健康，
和 循環的 缺陷 在 每個 時期 依靠 在 這 增加 和 全部
參數 的 [聽不清楚 00:17:11]。
然而， 最多 變數 是 微不足道。 x1, x4,
X5和X6
因為 的 這 效果 的 半 完美的 多 共線性。
也, 這 結果 表示 那 這 根據 範圍 是 k 平等的 零
第一點、第二點。
[外語00:17:53]
86.4959。
這 桌子 我們 能 獲得 經過 使用 JMP。
什麼時候 我們 是 申請 這 劉 估計器 方法 到 估計 這 係數
的 這 泊松 回歸 模組 在 這 在場 的 這 多重共線性
問題。
我們 使用 這 聯合管理計劃 秘密 到 連接 之間 我們的 語言 和 JMP。
這 秘密 連接並運行 傑普,
這 包裹 的 劉 回歸 在 我們的 語言。
在申請時 [聽不清楚 00:19:12]，係數，我們得到了這個結果。
我們 觀察到的 那 這 全部的 數位 的 孩子們 和 這 先天性的 心
和 循環的 在 每個 時期 依靠 在 這 程度
的 增加 在 全部 參數 的 這 模型，
儘管 這 微不足道 的 這 多變的 希 1.
因為 全部 變數 在下面 學習 是 增加 這 數位 的 孩子們
和 先天性的 殘疾， 但 它 是 非常 好的 特性。
也 這 結果 表示
那 飢餓的 形成 標準 35. 29
添加 這 根據 範圍 d 等於4.1。
什麼時候 比較 這 二 方法 回歸 和 劉估計，
我們 知道 那 這 估計器 方法 給定 a 低的 價值 的 資訊.
有 更多的 重要的 精通 什麼時候 他們 比較 到 這 規則 方法。
結論。
在 這 紙， 我們 審查 這 最多 著名的 方法 的 範圍 估計
的 這 泊松 回歸 模型 什麼時候 這 數據 遭受 從 這 問題
的 半 完美的多重共線性， 在哪裡 拿 山脊 回歸 方法
和 劉 估計者 方法 和 比較的 這 二 方法 基於
在 帳戶 資訊 標準 作為 a 標準 為了 比較。
經過 申請 回歸 分析 方法 在 這 在場 的 a 半完美
多重共線性 問題變成現實 數據 關於 先天性的 心
和 循環的 缺陷 在 新生兒， 獲得 來自 中央 孩子 教學
醫院 為了 這 時期 從 2012年 到 2019年，
我們 尋找 劉氏 估計器的 方法 是 更多的 高效率的 比 這 回歸
方法 因為 它 有 a 下赤池 資訊 標準。
它 也 給出 更多的 可靠的 結果 和 更多的 準確的 p 值。
數位 3： 透過劉估計 方法， 它 是 清除 那 全部 預測器 變數
在下面 研究領域 有影響 在 這 回歸 模型，
甚至 如果 他們 是 不是 重要的， 作為 全部 參數 是 有影響
在 增加 這 數位 的 孩子們 和 先天性的 殘障 但
在不同的 比例。
感謝 你。
