آزمون معنی داری برآوردگرهای رگرسیون فازی

معنی ‌داری آماری تعیین کننده این است که آیا رابطه بین دو یا چند متغیر ناشی از عواملی غیر از شانس و تصادف است، به عبارتی آیا نتایج فراهم شده در یک مدلسازی ناشی از داده‌ها است؟ آزمون فرضیه‌های آماری روشی است که توسط آن معنی‌داری آماری تعیین می‌شود. با معرفی رگرسیون فازی، رویکردهای متعددی در برآوردیابی آنها به منظور دقت بیشتر ارائه شد، اما در مقایسه، توجه بسیار ناچیزی به خواص برآورگردها، فواصل اطمینان، آزمون فرض و معنی‌داری مدل‌ شده است. هدف اصلی مقاله حاضر این است که در چارچوب مدل رگرسیون فازی و با بکار بردن روش m برآوردگرها، به معنی‌داری مدل برآورد شده در یک مطالعه کاربردی با داده‌های واقعی فازی مقدار بپردازیم. بدین منظور با دسترسی به داده‌های آب و فاضلاب اهواز به معرفی متغیرهای مورد نیاز میچردازیم. چون m برآوردگرها از الگوریتمی مبتنی بر روش وزن دهی مکرر استفاده می‌کنند، به دنبال تعیین وزن کاربری‌ها از نظر الگوی مصرف هستیم، یعنی وزن کاربری‌های پرمصرف و کاربری‌های کم مصرف در این الگوریتم مشخص می‌شود. اکنون شرکت آب و فاضلاب می‌تواند برمبنای اوزان تعیین شده، ابتدا الگوی مصرف هر کاربری را مشخص و طبقه‌بندی کند و به قیمت‌گذاری پلکانی برای هر کاربری بپردازد. این هدف نیازمند ارایه یک مدل معنی‌دار رگرسیون فازی است. چون m برآوردگرهای مدل رگرسیون فازی دارای فرم بسته‌ای نیستند، با استفاده از روش بوت استرپ به ارایه شاخص‌های توصیفی برآوردگرها، فواصل اطمینان و آزمون معنی‌داری مدل پرداختیم. در پایان با تحلیل نتایج به‌دست‌آمده و با حفظ پارامترهای معنی‌دار مدل، یک مدل مناسب‌ برای برازش به داده‌ها معرفی شد.

significance test of fuzzy regression model

statistical significance determines whether the relationship between two or more variables is caused by factors other than chance and randomness. statistical hypothesis testing is a method by which statistical significance is determined. by introducing fuzzy regression, several approaches were presented to estimate parameters of such the models. now, most researches have conducted on the estimation method and little attention has been paid to the properties of estimators,, confidence intervals and significance tests. the main idea here is to investigate the significance of estimated parameters in an applied study with fuzzy valued real data in the framework of fuzzy regression modeling using m estimators. for this purpose, by accessing the water and sewage data source of ahvaz city, the required variables were first introduced. since m estimators use an algorithm based on reweighted method, we are looking to determine the weight of the users in terms of the consumption pattern, that is, the weight of high consumption users and low consumption users is determined. now, the company can first identify and classify the consumption patterns of each user based on the determined weights, and then deal with the stepped pricing of each cubic meter of water for each user. this idea requires providing a significant model of fuzzy regression. since m estimators of fuzzy regression model do not have a closed form, bootstrap is used to present the numerical indices of the estimators, confidence intervals and the significance test of the model. by analyzing the results and keeping significant parameters a suitable model was introduced.