برآورد پارامترهای مدل رگرسیون لوژستیک به کمک ماکسیمم آنتروپی تعمیم یافته

هنگام کار با یک مجموعه داده رگرسیونی ممکن است برخی شرایط برقرار نباشند و محدودیت هایی برای اجرای مدل رگرسیون به وجود آیند که ما را در استفاده از روش حداقل مربعات با مشکل مواجه می.کند روش ماکسیمم آنتروپی تعمیم یافته با زیربنای رگرسیونی قادر است پارامترهای مدل رگرسیونی را بدون در نظر گرفتن هیچ شرطی روی توزیع احتمال خطاها برآورد کند. پیش از این توانمندی این روش در حجم نمونه های کم بررسی و تایید شده است. هنگامی که متغیر پاسخ یک متغیر کیفی است روش رگرسیون لوژستیک به کار میرود در این پژوهش ابتدا روش ماکسیمم آنتروپی تعمیم یافته را برای یک مدل رگرسیونی لوژستیک معرفی کردیم یک نمونه تصادفی از مشتریان بانک جمع آوری شده و در این بررسی برای برآورد پارامترهای مدل از مدل رگرسیون لوژستیک دودویی و با استفاده از دو روش ماکسیمم آنتروپی تعمیم یافته و درستنمایی ماکسیمم تجزیه و تحلیل و کار آماری انجام گرفت و در نهایت دو روش ذکر شده را با هم مقایسه میکنیم با استناد به مقدار آماره میانگین مربعات خطا برای پیشگویی تقاضای مشتری برای افتتاح حساب بلند مدت که از رگرسیون لوژستیک با استفاده از دو روش ماکسیمم آنتروپی تعمیم یافته و درستنمایی ماکسیمم به دست آمده، مشخص شد که روش برآورد ماکسیمم آنتروپی تعمیم یافته دارای نتایج دقیق تری است.

Estimation of Logistic Regression Model Parameters Using Generalized Maximum Entropy

lrm;When working on a set of regression data lrm;, lrm;the situation arises that this data lrm; lrm;It limits us lrm;, lrm;in other words lrm;, lrm;the data does not meet a set of requirements lrm;. lrm;The generalized entropy method is able to estimate the model parameters lrm; lrm;Regression is without applying any conditions on the error probability distribution lrm;. lrm;This method even in cases where the problem lrm; lrm;Too poorly designed (for example when sample size is too small lrm;, lrm;or data that has alignment lrm; lrm;They are high and lrm; . lrm;..) is also capable. lrm;Therefore lrm;, lrm;the purpose of this study is to estimate the parameters of the logistic regression model using the generalized entropy of the maximum lrm;. lrm;A random sample of bank customers was collected and in this study lrm;, lrm;statistical work and were performed to estimate the model parameters from the binary logistic regression model using two methods maximum generalized entropy (GME) and maximum likelihood (ML) lrm;. lrm;Finally lrm;, lrm;two methods were performed lrm;. lrm;We compare the mentioned lrm;. lrm;Based on the accuracy of MSE criteria to predict customer demand for longterm account opening obtained from logistic regression using both GME and ML methods lrm;, lrm;the GME method was finally more accurate than the ml method lrm;.