On ridge estimators for the negativ

On ridge estimators for the negative binomial regression model

Abstract
The negative binomial (NB) regression model is very popular in applied research when analyzing count data. The commonly used maximum likelihood (ML) estimator is very sensitive to highly intercorrelated explanatory variables. Therefore, a NB ridge regression estimator (NBRR) is proposed as a robust option of estimating the parameters of the NB model in the presence of multicollinearity. To investigate the performance of the NBRR and the traditional ML approach the mean squared error (MSE) is calculated using Monte Carlo simulations. The simulated result indicated that some of the proposed NBRR methods should always be preferred to the ML method.

►Multicollinearity leads to high variance of estimated parameters of regression models. ►Using Monte Carlo simulations this is shown to hold for the negative binomial model. ►A ridge regression estimator is proposed to reduce the variance. ►Some methods of estimating the ridge parameter are suggested. ►The simulated results show that the ridge regression estimator reduces the variance.

ผลลัพธ์ (ไทย) 1:

บน estimators ริดจ์สำหรับแบบจำลองการถดถอยทวินามลบบทคัดย่อการลบ (NB) การถดถอยทวิเป็นที่นิยมมากในการวิจัยประยุกต์เมื่อวิเคราะห์ข้อมูลจำนวน ประมาณโอกาสสูงสุดที่ใช้กันทั่วไป (ML) มีความสำคัญกับตัวแปรอธิบาย intercorrelated สูงมาก ดังนั้น NB ริดจ์ถดถอยประมาณ (NBRR) มีเสนอเป็นตัวเลือกที่สมบูรณ์ของการประมาณพารามิเตอร์ของ NB รุ่นใน multicollinearity การตรวจสอบประสิทธิภาพของการ NBRR และวิธีการดั้งเดิมของ ML ข้อผิดพลาดกำลังสองเฉลี่ย (MSE) จะคำนวณโดยใช้การจำลองมอนติคาร์โล ผลการจำลองระบุว่า NBRR นำเสนอวิธีการบางอย่างควรจะแนะนำวิธี ML►Multicollinearity นำไปสู่ความแปรปรวนสูงของประมาณค่าพารามิเตอร์ของแบบจำลองถดถอย แสดงค้างไว้แบบทวินามลบจำลองมอนติคาร์โล ►Using มีเสนอประมาณ ►A ริดจ์ถดถอยเพื่อลดความแปรปรวน ►Some วิธีการประมาณพารามิเตอร์ริดจ์จะแนะนำนั้น ►The จำลองผลลัพธ์แสดงว่า ประมาณถดถอยริดจ์ที่ช่วยลดความแปรปรวน

ผลลัพธ์ (ไทย) 2:

บนสันเขาประมาณสำหรับเชิงลบแบบการถดถอยทวินามบทคัดย่อลบทวินาม (NB) แบบการถดถอยเป็นที่นิยมมากในการวิจัยใช้เมื่อวิเคราะห์ข้อมูลนับ ที่ใช้กันทั่วไปโอกาสสูงสุด (ML) ประมาณการมีความสำคัญมากในการอธิบายตัวแปร intercorrelated สูง ดังนั้น NB สันถดถอยประมาณการ (NBRR) จะเสนอเป็นตัวเลือกที่มีประสิทธิภาพของการประมาณค่าพารามิเตอร์ของรูปแบบ NB ในการปรากฏตัวของพหุ ในการตรวจสอบประสิทธิภาพการทำงานของ NBRR และวิธีการแบบดั้งเดิม ML ค่าเฉลี่ยกำลังสองข้อผิดพลาด (MSE) จะถูกคำนวณโดยใช้การจำลอง Monte Carlo ผลการจำลองชี้ให้เห็นว่าบางส่วนของวิธี NBRR เสนอควรได้รับการแนะนำกับวิธีมล. ►Multicollinearityนำไปสู่ความแปรปรวนสูงของการประมาณค่าพารามิเตอร์ของแบบจำลองการถดถอย ►Using Monte Carlo จำลองนี้จะแสดงให้เห็นว่าถือสำหรับรูปแบบทวินามเชิงลบ ►Aสันถดถอยประมาณการการเสนอที่จะลดความแปรปรวน วิธีการของการประมาณค่าพารามิเตอร์สันเขา►Someมีข้อเสนอแนะ ►Theผลการจำลองแสดงให้เห็นว่าประมาณการสันถดถอยลดความแปรปรวน

ผลลัพธ์ (ไทย) 3:

ในตัวประมาณริดจ์สำหรับการถดถอยแบบทวินามลบบทคัดย่อลบการแจกแจงทวินาม ( NB ) แบบจำลองสมการถดถอยที่เป็นที่นิยมมากในการวิจัยประยุกต์ เมื่อวิเคราะห์ข้อมูลนับ ที่ใช้กันทั่วไป Maximum Likelihood ( มิลลิลิตร ) มีความไวมาก จะสูงประมาณ intercorrelated อธิบายตัวแปร ดังนั้น นบี ริดจ์ สรุป nbrr ) เสนอเป็นตัวเลือกที่แข็งแกร่งของการประมาณค่าพารามิเตอร์ของ NB แบบในการแสดงตนของข้อมูล . เพื่อศึกษาประสิทธิภาพของ nbrr และวิธี ML ดั้งเดิมหมายถึงความผิดพลาดกำลังสอง ( MSE ) คำนวณโดยใช้เทคนิคมอนติคาร์โลจำลอง . งานวิจัยพบว่าบางส่วนของการนำเสนอ nbrr วิธีการควรเลือก ML วิธี►นำไปสู่ความแปรปรวนสูงประมาณค่าพารามิเตอร์ของตัวแบบถดถอย . ►โดยใช้ Monte Carlo แบบจำลองนี้แสดงไว้แบบทวินามลบ ►สันเขาสรุปเสนอให้ลดความแปรปรวน ►วิธีการประมาณพารามิเตอร์บางคันจะแนะนำ ►ผลของการจำลองแสดงให้เห็นว่า เขาสรุปลดความแปรปรวน