|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
3 نتیجه برای زمانی
صدیقه زمانی مهریان، علیرضا نعمت اللهی،
جلد 7، شماره 2 - ( 12-1392 )
چکیده
در این مقاله برآوردگرهای (شبه) درستنمایی و توزیع حدی آماره آزمون نمره مربوط به چند آزمون فرض مختلف از جمله آزمون داشتن ریشه واحد برای مدل رگرسیونی خطی با مانده های مانا و نامانا به دست آورده می شوند . سپس با روش مونت کارلو نشان داده می شود که برآوردگرهای (شبه) درستنمایی به دست آمده، برآوردگرهای مناسبی هستند و چندک های توزیع حدی آماره های آزمون داشتن ریشه واحد محاسبه و در جداولی ارائه می شوند
عیسی محمودی، سودابه سجادی پناه، محمد صادق زمانی،
جلد 16، شماره 1 - ( 6-1401 )
چکیده
در این مقاله، روش نمونه‌گیری دو‌مرحله‌ای بهبود‌یافته پیرامون میانگین مدل خودبازگشتی مرتبه اول مطالعه شده است. برآورد نقطه‌ای و فاصله‌ای میانگین مدل بر اساس برآوردگرهای کمترین توان‌های دوم با شرط مینیمم‌سازی تابع مخاطره بررسی شده است. توزیع مجانبی برآوردگر میانگین نیز بر اساس قاعده توقف نقطه‌ای ارائه شده است. هم‌چنین مطالعه شبیه‌سازی مونت کارلویی برای بررسی کارایی روش پیشنهادی نسبت به روش اندازه نمونه ثابت بهینه بر اساس متغیر توقف، نسبت متغیر به اندازه نمونه ثابت بهینه، برآورد میانگین، ریشه دوم میانگین توان‌های دوم خطا، نسبت تابع مخاطره حاصل از روش ارائه شده به مخاطرۀ اندازه نمونه ثابت بهینه و احتمال پوشش بازۀ اطمینان طراحی و اجرا شده است. در انتها، با به‌کارگیری داده واقعی کاربرد روش ارائه شده مورد بررسی قرار گرفته است.
ام البنین بشیری گودرزی، عبدالرضا سیاره، صدیقه زمانی مهریان،
جلد 19، شماره 1 - ( 6-1404 )
چکیده
الگوریتم تقویت، الگوریتمی ترکیبی برای کاهش عدم توازن و واریانس از خانوادۀ الگوریتم‌های یادگیری ماشین در حوزۀ یادگیری با نظارت است. این الگوریتم، روشی برای تبدیل سیستم‌های یادگیری ضعیف به سیستم قوی بر اساس ترکیب نتایج مختلف است. پس از انتخاب متغیر‌ها و ساخت مدل اولیه، با تنظیم نرخ یادگیری و سایر پارامتر‌های الگوریتم تقویت، مدل‌های ضعیف به مدل قوی‌تری برای برازش به داده‌ها تبدیل می‌شود.
در این مقاله مدل‌های آمیخته با اثرات تصادفی برای کوچک نواحی در نظر گرفته شده که در آن خطاها از مدل $AR-GARCH$ پیروی می‌کنند. به‌منظور انتخاب متغیر در این مدل‌ها برای کوچک نواحی، الگوریتم تقویت پیشنهاد شده است. با داده‌های شبیه‌سازی شده و داده‌های مالیاتی، عملکرد الگوریتم تقویت در انتخاب متغیر با روش‌های کلاسیک انتخاب متغیر مورد مطالعه قرار گرفته است. نتایج نشان می‌دهند الگوریتم تقویت عملکرد بهتری در انتخاب متغیر برای کوچک نواحی دارد.
|
|
|
|
|
|
|
|
|
|
|
