Statistical methods such as spatial

Statistical methods such as spatial and temporal correlation,
multilevel, random effect, random parameter, and latent class
approaches have been developed to address this issue of unob-served heterogeneity (Anastasopoulos and Mannering, 2009; Dong
et al., 2016; Mannering et al., 2016; Quddus, 2008; Wang and
Huang, 2016; Xu and Huang, 2015; Xu et al., 2016), as these
omitted explanatory variables can be regarded as part of the unob-served heterogeneity. Unobserved heterogeneity impacts traffic
safety analysis in two ways: the first problem is that the selected
explanatory variables cannot fully account for the cross-section
or longitudinal-section variations in crash counts due to unob-served road geometrics, environmental factors, driver behavior and
other confounding factors, which lead to impaired predictive per-formance of the model (called heterogeneity in model prediction);
the second problem is that these unobserved factors are always cor-related with observed factors and thus biased parameters will be
estimated and incorrect inferences could be drawn (called hetero-geneity in the coefficient estimator). While these approaches will
mitigate the adverse impacts of omitting significant explanatory
variables, the resulting model estimates still fail to track the origi-nal source of heterogeneity and quantify the safety effect of omitted
variables (such as macroscopic factors shown in Fig. 1). Omission
of important explanatory variables still remains a problem even
with advanced statistical approaches to capture unobserved het-erogeneity (Mannering et al., 2016).

ผลลัพธ์ (ไทย) 1:

วิธีการทางสถิติเช่นความสัมพันธ์เชิงพื้นที่ และกาลเวลาผลกระทบหลายระดับ สุ่ม สุ่มพารามิเตอร์ และชั้นแฝงวิธีได้รับการพัฒนาเพื่อแก้ไขปัญหาของบริการ unob heterogeneity (Anastasopoulos และ Mannering, 2009 ดองet al. 2016 Mannering et al. 2016 Quddus, 2008 วัง และหวง 2016 ซูและ Huang, 2015 Xu et al. 2016), เป็นเหล่านี้ตัวแปรอธิบายเว้นไว้อาจถือเป็นส่วนหนึ่งของ heterogeneity การให้บริการ unob Traffic ผลกระทบ unobserved heterogeneityการวิเคราะห์ความปลอดภัยในสองวิธี: ปัญหาแรกคือว่าที่เลือกตัวแปรอธิบายไม่ครบบัญชีสำหรับส่วนข้ามหรือรูปแบบตามยาวส่วนในจำนวนความล้มเหลวเนื่องจากไม่ซับซ้อนให้บริการ unob ถนน ปัจจัย พฤติกรรมการขับขี่ และปัจจัยรบกวนอื่น ๆ ซึ่งนำไปสู่ความบกพร่องทำนายต่อ formance ของรูปแบบ (เรียกว่า heterogeneity ในแบบจำลองทำนาย);ปัญหาสองคือ ปัจจัย unobserved เหล่านี้มักประกอบไป ที่เกี่ยวข้องกับปัจจัยที่สังเกต และจึง ลำเอียงพารามิเตอร์จะinferences โดยประมาณ และไม่ถูกต้องอาจจะวาด (เรียกว่า hetero-geneity ในประมาณ coefficient) ในขณะที่วิธีการเหล่านี้จะลดการกระทบของละเว้นงมากอธิบายละรูปแบบผลการประเมินไม่สามารถติดตามแหล่ง origi nal heterogeneity และปริมาณผลความปลอดภัยของตัวแปรตัวแปร (เช่นแสดงในรูปที่ 1 ปัจจัยด้วยตาเปล่า) ละเลยตัวแปรอธิบายสำคัญยังคงอยู่ปัญหาแม้ด้วยวิธีทางสถิติขั้นสูงเพื่อจับภาพ het unobserved-erogeneity (Mannering et al. 2016)

ผลลัพธ์ (ไทย) 2:

วิธีการทางสถิติเช่นพื้นที่และเวลาความสัมพันธ์
หลายผลสุ่มพารามิเตอร์แบบสุ่มและกลุ่มแฝง
วิธีการได้รับการพัฒนาเพื่อแก้ไขปัญหานี้ของเซลล์สืบพันธุ์ UNOB เสิร์ฟ (Anastasopoulos และริ่ 2009; ดง
et al, 2016;. ริ่ et al, . 2016; Quddus 2008; วังและ
Huang 2016; Xu Huang และ 2015. Xu et al, 2016) ตามที่เหล่านี้
อธิบายตัวแปรละเว้นสามารถถือเป็นส่วนหนึ่งของความแตกต่าง UNOB เสิร์ฟ ส่งผลกระทบต่อเซลล์สืบพันธุ์ TRAF Fi C สังเกต
การวิเคราะห์ความปลอดภัยในสองวิธี: ปัญหาแรกคือว่าที่เลือก
ตัวแปรที่อธิบายไม่สามารถบัญชีสำหรับ cross-section
หรือยาวส่วนรูปแบบในข้อหาความผิดพลาดเนื่องจากการ UNOB เสิร์ฟ geometrics ถนนปัจจัยแวดล้อมพฤติกรรมของคนขับและ
อื่น ๆ ปัจจัยที่นำไปสู่การทำนายความบกพร่องต่อ formance ของรูปแบบ (เรียกว่าความแตกต่างในการทำนายรูปแบบ);
ปัญหาที่สองคือการที่ไม่มีใครสังเกตปัจจัยเหล่านี้มักจะครที่เกี่ยวข้องกับปัจจัยที่สังเกตและทำให้พารามิเตอร์ลำเอียงจะได้รับ
โดยประมาณและหาข้อสรุปไม่ถูกต้องอาจจะวาด (เรียกว่าแตกต่าง-geneity ในประมาณการ COEF Fi ประสิทธิภาพ) ในขณะที่วิธีการเหล่านี้จะ
บรรเทาผลกระทบจากการละเว้นนัยสำคัญ Fi อธิบายลาดเท
ตัวแปรที่ส่งผลให้ประมาณการรูปแบบยังคงล้มเหลวในการติดตามแหล่งที่มา origi-NAL ของเซลล์สืบพันธุ์และปริมาณผลกระทบความปลอดภัยของละเว้น
ตัวแปร (เช่นปัจจัยมหภาคแสดงในรูปที่ 1). งด
การอธิบายตัวแปรที่สำคัญยังคงเป็นปัญหาที่เกิดขึ้นแม้จะเป็น
ด้วยวิธีการทางสถิติขั้นสูงในการจับสังเกต Het-erogeneity (ริ่ et al., 2016)

ผลลัพธ์ (ไทย) 3:

วิธีการทางสถิติ เช่น พื้นที่และเวลาความสัมพันธ์หลาย , สุ่มผลสุ่มตัวแปร และกลุ่มแฝงวิธีการได้รับการพัฒนาเพื่อที่อยู่นี้ปัญหาของ unob เสิร์ฟสามารถ ( และ anastasopoulos แมนเนอริ่ง , 2009 ; ดงet al . , 2016 ; แมนเนอริ่ง et al . , 2016 ; quddus , 2008 ; วังและหวง , 2016 ; Xu และ Huang , 2015 ; Xu et al . , 2016 ) , เหล่านี้ละเว้นการอธิบายตัวแปรที่สามารถจะถือว่าเป็นส่วนหนึ่งของ unob เสิร์ฟความหลากหลาย . จึงสามารถสร้าง C unobserved ผลกระทบการวิเคราะห์ความปลอดภัยในสองวิธี : จึงตัดสินใจเดินทางปัญหาที่เลือกตัวแปรอธิบาย มันไม่สามารถบัญชีสำหรับภาคตัดขวางส่วนรูปแบบหรือตามยาวในความผิดพลาดนับเนื่องจาก unob เสิร์ฟถนน geometrics ปัจจัยด้านสิ่งแวดล้อม และควบคุมพฤติกรรมอื่น ๆ ปัจจัยที่เพิ่มโอกาสเสี่ยง ซึ่งนำไปสู่ความบกพร่องต่อ formance ของแบบจำลอง ( เรียกว่าความหลากหลายในแบบจำลองการทำนาย )ปัญหาที่สองคือ ปัจจัยเหล่านี้มักจะเกี่ยวข้องกับ unobserved ฝึกสังเกตและจำนวนพารามิเตอร์จะเป็นปัจจัยจึงประมาณและข้อสรุปที่ไม่ถูกต้องอาจจะวาด ( เรียกว่า geneity อื่นใน coef จึง cient ประมาณการ ) ในขณะที่วิธีการเหล่านี้จะลดผลกระทบของการอด signi จึงไม่สามารถอธิบายตัวแปรผลแบบประเมินยังล้มเหลวในการติดตามริจินัล แหล่งที่สามารถหาผลของการละเว้นและความปลอดภัยตัวแปร ( เช่นมีปัจจัยที่แสดงในรูปที่ 1 ) การละเลยตัวแปรที่อธิบายที่สำคัญยังคงเป็นปัญหาด้วยซ้ำด้วยวิธีการทางสถิติขั้นสูงเพื่อจับภาพ unobserved มัน erogeneity ( แมนเนอริ่ง et al . , 2016 )