Mathematical Modeling And Computing
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/25918
Browse
Item Robust bootstrap regression testing in the presence of outliers(Видавництво Львівської політехніки, 2021-03-01) Хассан, С. У.; Алі, К. Х.; Hassan, S. U.; Ali, K. H.; Університет Аль-Кадисія; University of Al-QadisiyahБутстрап — це один із методів вибору випадкової вибірки із заміною, який був запропонований для вирішення проблеми малих вибірок, розподіли яких важко отримати. Розподіл бутстрап-вибірок є емпіричним або вільним, і завдяки його випадковому відбору із заміною ймовірність вибору конкретного спостереження може дорівнювати одиниці. На жаль, коли вихідні дані вибірки містять викиди, виникає серйозна проблема, яка призводить до некоректності оцінки за допомогою звичайних найменших квадратів, тому слід рекомендувати робастні методи регресії. Добре відомо, що найкраща робастна регресійна модель має високу точку пробою не більше ніж 0.50, тому робастний регресійний метод не буде працювати, якщо відсоток викидів у вибірці перевищує 0.50. Добре відомо, що бутстрап-процес з фіксованим x робить перевибірку залишків, які, ймовірно, мають викиди. Більше того, точка(и) важеля є викидом, який виникає в X-напрямку, тому буде існувати його вплив на бутстрапвибірки з фіксованим x. Тому прийняття рішення щодо нульової гіпотези коефіцієнтів бутстрап-регресії не може бути надійним. У цій статті пропонується використовувати зважений бутстрап із фіксованим x із ймовірнісним підходом, щоб гарантувати, що відсоток викидів у бутстрап-вибірках буде дуже низьким. А потім зважена M-оцінка повинна бути спрямована на розв’язання проблеми викидів і важливих точок та прийняття більш надійного рішення щодо перевірки гіпотези про коефіцієнти бутстрапрегресії. Ефективність запропонованого методу була порівняна з іншими методами на реальних та змодельованих даних. Результати показують, що запропонований нами метод є ефективнішим та надійнішим за інші.