انتخاب متغیر در کوچک نواحی تحت مدل های AR-GARCH با الگوریتم تقویت گرادیان
محل انتشار: مجله علوم آماری، دوره: 19، شماره: 1
سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 208
فایل این مقاله در 28 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_STAT-19-1_001
تاریخ نمایه سازی: 30 اردیبهشت 1404
چکیده مقاله:
الگوریتم تقویت، الگوریتمی ترکیبی برای کاهش عدم توازن و واریانس از خانواده الگوریتم های یادگیری ماشین در حوزه یادگیری با نظارت است. این الگوریتم، روشی برای تبدیل سیستم های یادگیری ضعیف به سیستم قوی بر اساس ترکیب نتایج مختلف است. پس از انتخاب متغیر ها و ساخت مدل اولیه، با تنظیم نرخ یادگیری و سایر پارامتر های الگوریتم تقویت، مدل های ضعیف به مدل قوی تری برای برازش به داده ها تبدیل می شود.
در این مقاله مدل های آمیخته با اثرات تصادفی برای کوچک نواحی در نظر گرفته شده که در آن خطاها از مدل AR-GARCH پیروی می کنند. به منظور انتخاب متغیر در این مدل ها برای کوچک نواحی، الگوریتم تقویت پیشنهاد شده است. با داده های شبیه سازی شده و داده های مالیاتی، عملکرد الگوریتم تقویت در انتخاب متغیر با روش های کلاسیک انتخاب متغیر مورد مطالعه قرار گرفته است. نتایج نشان می دهند الگوریتم تقویت عملکرد بهتری در انتخاب متغیر برای کوچک نواحی دارد.
کلیدواژه ها:
Boosting algorithm ، variable selection ، small area estimation ، AR-GARCH model ، الگوریتم تقویت ، انتخاب متغیر ، برآورد کوچک ناحیه ای ، مدل های AR-GARCH
نویسندگان
ام البنین بشیری گودرزی
دانشگاه خواجه نصیر
عبدالرضا سیاره
دانشگاه خواجه نصیر
صدیقه زمانی مهریان
دانشگاه بین المللی قزوین
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :