Shrinkage estimators in inverse Gaussian regression model : Subject review

Shrinkage estimators in inverse Gaussian regression model : Subject review

إن وجود علاقة ارتباط عالية بين المتنبنين في نمذجة الانحدار له تأثيرات غير مرغوب فيها على تقدير الانحدار هناك العديد من الطرق المتحيزة المتاحة للتغلب على هذه المشكلةنموذج الانحدار الغاوسي العكسي (IGRM) هو نموذج خاص من النماذج الخطية المعممة بعد IGRM نموذجا معروفا في تطبيق البحث عندما يكون متغير الاست...

Full description

Saved in:
Bibliographic Details
Published in:المجلة العراقية للعلوم الاحصائية Vol. 19; no. 1; pp. 46 - 53
Main Authors: Yunus, Farah Abd al-Ghani, Othman, Rafal Adib
Format: Journal Article
Language:Arabic
English
Published: Mosul, Iraq University of Mosul, College of Computer Science and Mathematics 2022
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:إن وجود علاقة ارتباط عالية بين المتنبنين في نمذجة الانحدار له تأثيرات غير مرغوب فيها على تقدير الانحدار هناك العديد من الطرق المتحيزة المتاحة للتغلب على هذه المشكلةنموذج الانحدار الغاوسي العكسي (IGRM) هو نموذج خاص من النماذج الخطية المعممة بعد IGRM نموذجا معروفا في تطبيق البحث عندما يكون متغير الاستجابة تحت الدراسة عبارة عن بيانات منحرفة ثم اقتراح العديد من المقدرات المتميزة للتغلب على العلاقة الخطية المتعددة في IGRM في الأدبيات باستخدام نظريات مختلفة يتم تقديم لمحة عامة عن الأساليب المتحيزة الحديثة ل IGRM، تسمح لنا المقارنة بين هذه المقدرات المتحيزة بالحصول على نظرة ثاقبة. The presence of the high correlation among predictors in regression modeling has undesirable effects on the regression estimating. there are several available biased methods to overcome this issue. the inverse Gaussian regression model (IGRM) is a special model from the generalized linear models. the IGRM is a well-known model in research application when the response variable under the study is skewed data. numerous biased estimators for overcoming the multicollinearity in IGRM have been proposed in the literature using different theories. an overview of recent biased methods for IGRM is provided. a comparison among these biased estimators allows us to gain an insight into their performance.
ISSN:1680-855X
2664-2956