logo
calendar7 Iyul 2024
view32
Основной язык:Английский

ДОВЕРИТЕЛЬНЫЕ ИНТЕРВАЛЫ OLS В НЕЛИНЕЙНЫХ МОДЕЛЯХ: МЕТОД БУТСТРАПА

Область науки:
pdf

668a43dd6bc4d.pdf

PDF

Iqtisodiy taraqqiyot va tahlil

Iqtisodiy taraqqiyot va tahlil

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
Линейные модели стали мощным эконометрическим инструментом, используемым для демонстрации взаимосвязи между двумя или более переменными. Многие исследования также используют линейную аппроксимацию для нелинейных случаев, поскольку она все еще может дать достоверные результаты. Метод МНК требует, чтобы отношения зависимых и независимых переменных были линейными, хотя во многих исследованиях используется приближение МНК даже для нелинейных случаев. В этом исследовании мы представляем альтернативный метод оценки интервалов, бутстрап, в линейных регрессиях, когда взаимосвязь нелинейна. Мы сравниваем традиционные доверительные интервалы и доверительные интервалы начальной загрузки, когда данные имеют нелинейную зависимость. Поскольку нам необходимо знать истинные параметры, мы проводим моделирование. Результаты нашего исследования показывают, что, когда член ошибки имеет ненормальную форму, бутстрап-интервал превосходит традиционный метод из-за отсутствия предположения о распределении и более широкой ширины интервала.

АВТОРЫ

Z.Raximov

Toshkent Xalqaro Vestminster Universiteti

Теги

# accuracy# точность# аниқлик# нелинейная модель# nonlinear model# confidence interval# sample size# ишонч оралиғи# бутстрап# bootstrap# интервал ўлчами# размер выборки# размер интервала# interval size# OLS# variance.# : ОЛС# чизиқли бўлмаган модел# намуна ҳажми# юклаш чизиғи# дисперсия.# МНК# доверительный интервал

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

https://eroi.uz/11.0183/A0724-0020

DOI:

Недоступно

Список литературы

Fox, J. (2016). An R companion to applied regression (3rd ed.). Sage Publications.

Freedman , D. A. (1981). Bootstrapping regression models. Annals of Statistics, 9, 1218 – 1228

Davison , A. C. , and Hinkley , D. V. (1997). Bootstrap Methods and Their Applications. Cambridge University Press, Cambridge .

Efron , B., and Tibshirani , R. (1986). Bootstrap methods for standard errors, confidence intervals and other measures of statistical accuracy. Statistical Science. Vol. 1 , 54 – 77

Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1-26.

Efron, B. (1982). The Jackknife, the Bootstrap and Other Resampling Plans. SIAM, Philadelphia

Efron, B., and Tibshirani, R. J. (1993). An introduction to the bootstrap. Chapman and Hall/CRC.

Efron, B., and Tibshirani, R. J. (1994). An introduction to the bootstrap (Vol. 57). Chapman and Hall/CRC.

Efron, B., and Tibshirani, R. J. (1998). The art of statistical learning (Vol. 1). Springer.

Faraway, J. J. (2006). Extending the linear model with R: Generalized linear, mixed effects and nonparametric regression models. Chapman and Hall/CRC.

Faraway, J. J. (2014). Linear models and extensions (Vol. 14). Springer.

Gamerman, J. A., and Lopes, H. F. (2006). Markov chain Monte Carlo: Stochastic simulation for Bayesian inference (2nd ed.). Chapman and Hall/CRC.

Harvey, D. I. (2013). Linear regression analysis for count data (2nd ed.). John Wiley and Sons.

Montgomery, D. C.,and Chatterjee, S. (2015). Design and analysis of experiments (8th ed.). John Wiley and Sons.

Pindyck, R. S., and Rubinfeld, D. L. (2013). Econometric models and economic forecasts (5th ed.). Pearson Education.

Wasserman, L. (2004). All of statistics: A concise course with applications. Springer.

Weisberg, S. (2014). Applied linear regression (4th ed.). John Wiley and Sons.

Wu, C. F. J. (2004). Asymptotic theory for nonlinear regression. Chapman and Hall/CRC