براوردگر رگرسیونی تعمیم‌یافته

دانلود پایان نامه

 

چکیده

 

در بسیاری از مطالعه‌های آماری نمونه‌ی انتخابی به خوبی نمایانگر جامعه‌ی مورد بررسی نیست. نمونه‌گیری در چارچوب آماری پوشش داده نمی‌شود و خطای گزینش روی می‌دهد. از دیگر دلیل‌های ایجاد اریبی در براورد‌ها، بی‌پاسخی است. بی‌پاسخی از جمله خطا‌های غیر‌نمونه‌گیری در آمار‌گیری‌ها است و زمانی اتفاق می‌افتد که تعدادی از پاسخ‌گویان به تمام و یا قسمتی از پرسش‌های آمارگیری پاسخ نمی‌دهند. این دو نوع از بی‌پاسخی به ترتیب بی‌پاسخی واحد و بی‌پاسخی پرسش نامیده می‌شوند. یکی از راهکار‌های کاهش اثر‌های نامطلوب اریبی ناشی از بی‌پاسخی واحد و اریبی گزینش، استفاده از روش‌های وزن‌دهی است. در این پایان‌نامه ابتدا روش‌های مختلف وزن‌دهی به متغیر‌ها از جمله براوردگر‌های کالبیدنی معرفی می‌شوند. این براوردگر‌ها به دو دسته‌ تقسیم‌بندی می‌شوند: خطی و ناخطی، و مزیت‌ها و کاستی‌های آن‌ها نسبت به یک‌دیگر مورد بررسی قرار می‌گیرد. کات و لیائو (2012) یک براوردگر واریانس پیش‌نهاد کرده‌اند که قابل محاسبه‌ است.

در نهایت به عنوان یک استفاده از روش‌های یاد‌شده، داده‌های ﻃﺮح آﻣﺎرﮔﯿﺮی ﻫﺰﯾﻨﻪ و درﺍﻣﺪ ﺧﺎﻧﻮﺍر ﻣﻨﻃقه‌های روﺳﺘﺎﯾﯽ برای مقایسه‌ی براوردگرهای کالبیدنی رگرسیونی تعمیم‌یافته، چنگک‌زنی و براوردگر لوجیتی(l,u) مورد استفاده قرار می‌گیرند. این مقایسه بر اساس دو معیار قدرمطلق اریبی نسبی و ریشه‌ی دوم میانگین توان دوم خطای نسبی براوردگر‌ها، انجام می‌گیرد. نتیجه‌های مطالعه نشان می‌دهند که اگر از روش جامعه‌مبنا استفاده شود، براوردگر خطی رگرسیونی تعمیم‌یافته در تمامی حالت‌ها از عمل‌کرد بهتری برخوردار است.

 

واژگان کلیدی: خطای گزینش، بی‌پاسخی واحد، بی‌پاسخی پرسش، براوردگر‌ کالبیدنی، براوردگر رگرسیونی تعمیم‌یافته، براوردگر چنگک‌زنی، براوردگر لوجیتی(l,u)، روش جامعه‌مبنا، روش نمونه‌مبنا.

 

 

 

 

 

 

adstract

In the most surveys the selected sample is not representing the target population. Sampling not covered in frame and selection error occurs. Other reason to create bias in the estimation, is non-response. Non-response is a nonsampling error and occurs when some respondents do not answer to all or part of the survey questions. These two types of non-response are called unit non-response and item non-response, respectively. One of the ways to reduce the undesirable effects caused by the unit non-response bias and the selection bias is adjusting. In this thesis, the various methods of weighting to the variables including calibration estimators are introduced.These estimators are classified into two classes: the linear and nonlinear estimator, and their advantages and deficiencies of each are studied. Kott and Liao (2012) proposed a variance estimator and show that it is computationally. Finally, as an application of the mentioned methods, the rural household income and expenditure survey data set is used to compare generalized regression estimator, raking and logit(l,u) estimators. This comparison is based on two criteria: absolute relative bias and root relative mean square error. The results of the study show that if the population-based method is used, the generalized regression estimator has better performance in all cases.

 

Keywords: selection bias, unit non-response, item non-response, calibration estimator, gen- eralized regression estimator, raking estimator, logit(l,u) estimator, population-based method, sample-based method.

 

 

 

 متن کامل در سایت تخصصی دانلود پایان نامه های کارشناسی ارشد  :www.arshadha.ir

Leave a comment