مقایسه عملکرد مدل های رگرسیون در داده های ناپایدار و متغیر در طول زمان

در این تحقیق عملکرد مدل های مختلف رگرسیون در پیش بینی داده های ناپایدار و متغیر در طول زمان مقایسه شده است. هدف اصلی این مطالعه بررسی توانایی مدل های رگرسیون خطی، رگرسیو، رگرسیون Ridge، Lasso و مدل ARIMA در شبیه سازی و پیش بینی داده هایی است که تحت تاثیر نوسانات شدید و تغییرات ناگهانی قرار دارند. داده های مورد استفاده شامل سری های زمانی با ویژگی های ناپایدار و متغیر در طول زمان بوده و مدل ها با استفاده از معیارهای ارزیابی مختلف مانند خطای میانگین مربعات ریشه ای، میانگین مطلق خطا و ضریب تعیین (R) ارزیابی شدند. نتایج نشان داد که مدل ARIMA به طور موثری نوسانات داده ها را پیش بینی کرده و در مقایسه با مدل های رگرسیونی عملکرد بهتری داشت، همچنین مدل های رگرسیون Ridge و Lasso توانستند پیش بینی های دقیقی ارائه دهند، به ویژه در مواجهه با ویژگی های اضافی و هم خطی میان داده ها. این تحقیق نشان می دهد که انتخاب مدل مناسب برای تحلیل داده های ناپایدار اهمیت زیادی دارد و مدل های پیچیده تر نسبت به مدل های خطی ساده در این زمینه کارایی بیشتری دارند.

کلیدواژه ها:

Lasso ، Ridge ، ARIMA ، رگرسیون