پیش‌بینی بی‌پاسخی در یک آمارگیری‌ کارگاهی با استفاده از ترکیب روش‌های آماری ماشین

بی‌پاسخی در آمارگیری‌ها منبعی برای بروز خطا در نتایج آمارگیری است و سازمان‌های ملی آماری همواره به دنبال راهکارهایی برای کنترل و کاهش آن هستند. پیش‌بینی واحدهای نمونه‌گیری بی‌پاسخ در آمارگیری قبل از اجرای آمارگیری از جمله راهکارهایی است که می‌تواند کمک زیادی به کاهش و مرتفع نمودن مشکل بی‌پاسخی آمارگیری داشته باشد. با توسعه‌های اخیر فناوری و تسهیل در محاسبات پیچیده امکان به کارگیری روش‌های یادگیری آماری، مانند درخت‌های رگرسیون و رده‌بندی یا ماشین بردار پشتیبان در بسیاری از مسائل از جمله پیش‌بینی بی‌پاسخی واحدهای نمونه‌گیری در آمارگیری‌ها فراهم شده است. ما در این مقاله ضمن مرور کلی روش‌های فوق، واحدهای نمونه‌گیری بی‌پاسخ را در یک آمارگیری کارگاهی با استفاده از آن‌ها پیش‌بینی خواهیم کرد و نشان خواهیم داد ترکیب روش‌های فوق دارای دقت بیشتری در پیش‌بینی درست بی‌پاسخی نسبت به هر کدام از روش‌ها است.

Nonresponse Prediction in an Establishment Survey Using Combination of Machine Learning Methods

Nonrespose is a source of error in the survey results and National statistical organizations are always looking for ways tocontrol and reduce it. Predicting nonrespons sampling units in the survey before conducting the survey is one of the solutionsthat can help a lot in reducing and treating the survey nonresponse. Recent advances in technology and the facilitation ofcomplex calculations have made it possible to apply machine learning methods, such as regression and classification treesor support vector machines, to many issues, including predicting the nonresponse of sampling units in statistics. . In thisarticle, while reviewing the above methods, we will predict the nonresponse sampling units in a establishment survey usingthem and we will show that the combination of the above methods is more accurate in predicting the correct nonresponsethan any of the methods.