برآوردگرهای ریج در مدل رگرسیونی بتا

در مدل های آماری، تحلیل رگرسیون، به صورت گسترده برای پیش بینی روابط بین متغیرها استفاده شدهاست. فرضاساسی مدلهای رگرسیون این است که متغیر پاسخ متعلق به اعداد حقیقی است، با این وجود در بسیاریاز کاربردها، ماهیت متغیر پاسخ به صورت نرخ و نسبت است که محدود به بازهی ( 0, 1 ) میباشند. در مدلهایرگرسیونی که متغیر پاسخ به صورت نسبت، نرخ یا درصد است و همچنین برای مدلبندی دادههایی که در یکزیرفاصلهمشخصی از دامنهی تغییرات متمرکز هستند از مدل رگرسیونی بتا استفاده میکنیم، با این حال یکی از مشکلات دراقتصادسنجی و تحلیل این نوع اطلاعات، همخطی چندگانه است، یعنی همبستگی بین متغیرهای مستقل. مهمترینمشکل این است که واریانس ضرایب رگرسیون به شکل قله (ستیغ) متورم میشود و بر اهمیت و اندازه ضرایب آنتاثیر میگذارد.از آنجایی که روشهای کلاسیک در این زمینه کارایی لازم را ندارند، پس برآوردگرهای بهبودیافتهای مثل برآوردگرریج بیان میشود. در این مقاله، رگرسیون بتا با مشخصات آن و برآورد پارامترهای مدل و سپس تکنیک ریج بیانمی شود.

ridge estimators in a beta regression model

in statistical models, regression analysis is widely used to predict the relationsbetween variables.the basic assumption of regression models is that the response variable belongs to realnumbers, however, in many applications, the response variable nature is the rate and ratiothat are limited to the range (0, 1).in the regression models where the response variable is relative to the ratio, rate, or percentage,we also use the beta regression model to collect data that are concentrated on aparticular distance from the variation range, yet it is one of the problems in the econometricanalysis and the analysis of this type of information, that is, the correlation between theindependent variables. the most important problem is that the variance of the regressioncoefficients is scaled to the top of the summit and affects the importance and size of thecoefficients.since classical methods do not have the required performance, then the estimators areexpressed as the ridge estimator.in this paper, the beta regression is expressed by its specifications and estimating themodel parameters and then ridge technique.