1-IntroductionSeveral years ago som

1-Introduction
Several years ago some researchers in Econometric field used ordinary least square
(OLS) method to estimate the parameters of linear regression model. The Ordinary least
square method is based on a number of assumptions; one of these assumptions says that
there is no linear relationship between the explanatory variables, in case of dropping this
hypothesis the multicollinearity problem will appear. The multicollinearity problem
threatens both the assumption and usage of ordinary least square (OLS). In case the model
is not full ranked,it won’t be possible to find the inverse matrix of explanatory
variables;consequently, we will get infinite solutions according to (OLS) method. On the
other hand if the relationship degree between the explanatory variables is much enough
and we use the (OLS) method we will find that:
• The estimations of model parameters have different results in addition to that the
standard errors for these estimations increase when the relationship between
explanatory variables increases.
• More standard errors of estimators mean a breadth of confidence interval in the
parameters of pobulation.
• Increasing risk of type two errors (accepting wrong assumptions) because of the
width of confidence interval due to an increase in the standard error of the
estimation.
• If the linear relationship is high, we get higher R2 however;most parameters of the
relationship are non-significant statistics by using t test.
The existence or nonexistence of the linear relationship between the variables isn’t the
point but the strength degree is .We previously mentioned that there is a linear
relationship between the explanatory variables (mathematical variables) not a random
relationship, so this phenomenon concerns with the sample not the society for whom
the sample was selected.So we don’t test the existence of these relationships but we
measure the strength degree in any sample.Due to the negative impact caused by
Multicollinearity problem, there are many ways to deal with this problem and one of
these methods is Ridge regression (RR) .

ผลลัพธ์ (ไทย) 1:

บทนำ 1หลายปีที่ผ่านมานักวิจัยบางอย่างในฟิลด์คำใช้สแควร์น้อยธรรมดา(OLS) วิธีการประเมินค่าพารามิเตอร์ของแบบจำลองถดถอยเชิงเส้น อย่างน้อยธรรมดาวิธีการตารางตามจำนวนของสมมติฐาน สมมติฐานเหล่านี้อย่างใดอย่างหนึ่งกล่าวว่ามีไม่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรอธิบาย ในกรณีที่ปล่อยนี้สมมติฐานปัญหา multicollinearity จะปรากฏขึ้น ปัญหา multicollinearityคุกคามทั้งสมมติฐานและการใช้ของธรรมดาน้อยที่สุด (OLS) ในกรณีแบบไม่เต็มอันดับ จะไม่สามารถหาเมทริกซ์ผกผันของคำอธิบายตัวแปร ดังนั้น เราจะได้แก้ปัญหาไม่สิ้นสุดตาม (OLS) วิธีการ ในการกลับกันถ้าระดับความสัมพันธ์ระหว่างตัวแปรอธิบายมากเพียงพอและเราใช้วิธี (OLS) เราจะพบว่า:•การประเมินรูปแบบพารามิเตอร์มีผลแตกต่างกันในการข้อผิดพลาดมาตรฐานสำหรับประเมินเหล่านี้เพิ่มขึ้นเมื่อความสัมพันธ์ระหว่างอธิบายตัวแปรเพิ่มขึ้น•ข้อผิดพลาดมาตรฐานเพิ่มเติมของ estimators หมายความ กว้างของช่วงความเชื่อมั่นในการพารามิเตอร์ของ pobulation•เพิ่มความเสี่ยงของชนิดข้อผิดพลาดสอง (ยอมรับสมมติฐานผิด) เนื่องจากการความกว้างของช่วงความเชื่อมั่นเนื่องจากการเพิ่มขึ้นของข้อผิดพลาดมาตรฐานของการการประเมิน•ถ้าความสัมพันธ์เชิงเส้นสูง เรารับ R2 สูง อย่างไรก็ตามพารามิเตอร์ส่วนใหญ่ของการความสัมพันธ์เป็นสถิติที่ไม่มีนัยสำคัญ โดยใช้การทดสอบ tไม่มีอยู่หรือถึงการไม่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรการจุดแต่ระดับความแรงได้ เรากล่าวก่อนหน้านี้ว่ามีการเชิงเส้นความสัมพันธ์ระหว่างตัวแปร (ตัวแปรทางคณิตศาสตร์) อธิบายไม่สุ่มความสัมพันธ์ ดังนั้นปรากฏการณ์นี้เกี่ยวข้องกับตัวอย่างไม่ได้สังคมที่มีเลือกตัวอย่าง ดังนั้น เราไม่ทดสอบการดำรงอยู่ของความสัมพันธ์เหล่านี้แต่เราวัดระดับความแข็งแรงในตัวอย่างใด เนื่องจากผลกระทบเชิงลบที่เกิดจากปัญหา multicollinearity มีหลายวิธีที่จะจัดการกับปัญหานี้และหนึ่งวิธีการเหล่านี้คือ ถดถอยริดจ์ (RR)

ผลลัพธ์ (ไทย) 2:

1 บทนำ
หลายปีที่ผ่านมานักวิจัยบางคนในสาขาเศรษฐใช้ตารางอย่างน้อยสามัญ
(OLS) วิธีการประมาณค่าพารามิเตอร์ของตัวแบบการถดถอยเชิงเส้น สามัญอย่างน้อย
วิธีตารางจะขึ้นอยู่กับจำนวนของสมมติฐาน; หนึ่งในสมมติฐานเหล่านี้บอกว่า
ไม่มีความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรอธิบายในกรณีของการลดลงนี้
สมมติฐานปัญหาพหุจะปรากฏ ปัญหาพหุ
คุกคามทั้งสมมติฐานและการใช้งานของสามัญน้อยสแควร์ (OLS) ในกรณีแบบ
ไม่มีการจัดอันดับอย่างเต็มรูปแบบก็จะเป็นไปไม่ได้ที่จะหาเมทริกซ์ผกผันของการอธิบาย
ตัวแปรดังนั้นเราจะได้รับการแก้ปัญหาไม่มีที่สิ้นสุดตาม (OLS) วิธีการ ใน
ทางตรงกันข้ามถ้าการศึกษาระดับปริญญาความสัมพันธ์ระหว่างตัวแปรอธิบายมากพอ
และเราใช้ (OLS) วิธีการที่เราจะพบว่า:
•ประมาณการของพารามิเตอร์แบบมีผลที่แตกต่างกันในนอกจากว่า
ข้อผิดพลาดมาตรฐานสำหรับการประมาณการเหล่านี้เพิ่มขึ้นเมื่อ ความสัมพันธ์ระหว่าง
ตัวแปรอธิบายเพิ่ม.
•ข้อผิดพลาดมาตรฐานมากขึ้นของการประมาณค่าหมายถึงความกว้างของช่วงความเชื่อมั่นในส่วน
พารามิเตอร์ของ pobulation.
•ความเสี่ยงที่เพิ่มขึ้นจากประเภทสองข้อผิดพลาด (ยอมรับสมมติฐานผิด) เพราะ
ความกว้างของช่วงความเชื่อมั่นจากการเพิ่มขึ้นในมาตรฐาน ข้อผิดพลาดของ
. การประมาณค่า
•หากความสัมพันธ์เชิงเส้นสูงที่เราได้รับที่สูงขึ้น R2 อย่างไรก็ตาม; พารามิเตอร์ที่สุดของ
ความสัมพันธ์ที่มีสถิติที่ไม่ได้มีนัยสำคัญโดยใช้การทดสอบ t.
การดำรงอยู่หรือ nonexistence ของความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรที่ไม่ได้เป็น
จุด แต่การศึกษาระดับปริญญาแข็งแรงเรากล่าวก่อนหน้านี้ว่ามีความเป็นเชิงเส้น
ความสัมพันธ์ระหว่างตัวแปรอธิบาย (ตัวแปรทางคณิตศาสตร์) ไม่ได้เป็นแบบสุ่ม
ความสัมพันธ์ดังนั้นความกังวลปรากฏการณ์นี้มีตัวอย่างไม่สังคมสำหรับผู้ที่
ตัวอย่างเป็น selected.So เราทำไม่ได้ ทดสอบการดำรงอยู่ของความสัมพันธ์เหล่านี้ แต่เรา
วัดความแรงของการศึกษาระดับปริญญาใน sample.Due ใด ๆ กับผลกระทบเชิงลบที่เกิดจาก
ปัญหาพหุมีหลายวิธีที่จะจัดการกับปัญหานี้และเป็นหนึ่งใน
วิธีการเหล่านี้เป็นริดจ์ถดถอย (RR)

ผลลัพธ์ (ไทย) 3:

1-introductionเมื่อหลายปีก่อนมีนักวิจัยทางด้านใช้กำลังสองน้อยที่สุด( OLS ) วิธีประมาณค่าพารามิเตอร์ของตัวแบบการถดถอยเชิงเส้น สามัญอย่างน้อยวิธีที่ตารางจะขึ้นอยู่กับจำนวนของสมมติฐาน ; หนึ่งของสมมติฐานเหล่านี้กล่าวว่าไม่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรทั้งในกรณีของการลดลงนี้สมมติฐานของปัญหาข้อมูลจะปรากฏขึ้น ปัญหาเกิดพหุสัมพันธ์คุกคามทั้งสมมุติ และการใช้งานแบบกำลังสองน้อยที่สุด ( OLS ) ในกรณีที่แบบไม่เต็มอยู่ มันคงเป็นไปไม่ได้ที่จะหาเมตริกซ์ผกผันอธิบายตัวแปร ; ดังนั้นเราจะได้รับโซลูชั่นที่ไม่มีที่สิ้นสุดตาม ( OLS ) วิธี บนมืออื่น ๆถ้าความสัมพันธ์ระหว่างตัวแปรในระดับมากเพียงพอและเราใช้ ( OLS ) เราจะพบว่า- การประมาณพารามิเตอร์แบบได้ผลลัพธ์ที่แตกต่างกัน นอกจากที่ข้อผิดพลาดมาตรฐานสำหรับการเหล่านี้เพิ่มขึ้น เมื่อความสัมพันธ์ระหว่างตัวแปรที่อธิบายเพิ่ม- มาตรฐานมากขึ้น ข้อผิดพลาดของตัวประมาณหมายถึงความกว้างของช่วงความเชื่อมั่นในพารามิเตอร์ของ pobulation .- เพิ่มความเสี่ยงของประเภทที่สองข้อผิดพลาด ( การยอมรับสมมติฐานผิด ) เพราะความกว้างของช่วงความเชื่อมั่นเนื่องจากการเพิ่มขึ้นในค่าความคลาดเคลื่อนมาตรฐานของการประมาณค่า- ถ้าความสัมพันธ์เชิงเส้นสูง เราได้รับสูงกว่า R2 แต่ ; พารามิเตอร์มากที่สุดของความสัมพันธ์จะไม่สําคัญ โดยใช้สถิติทดสอบทีการดำรงอยู่หรือการขาดของความสัมพันธ์เชิงเส้นระหว่างตัวแปรที่ไม่ใช่จุด แต่ความแรงระดับนั้น เรากล่าวไว้ก่อนหน้านี้ว่า มีเชิงเส้นความสัมพันธ์ระหว่างตัวแปร ( ตัวแปรทางคณิตศาสตร์ ) ไม่ใช่การสุ่มความสัมพันธ์ ดังนั้นปรากฏการณ์นี้เกี่ยวข้องกับตัวอย่าง ไม่ใช่สังคมที่ตัวอย่างที่เลือก ดังนั้น เราอย่ามาทดสอบการดำรงอยู่ของความสัมพันธ์เหล่านี้ แต่เราวัดความแรง ในตัวอย่าง เนื่องจากผลกระทบเชิงลบที่เกิดจากปัญหาค่า มีหลายวิธีที่จะจัดการกับปัญหานี้ และหนึ่งในวิธีการเหล่านี้คือจ๋า ( RR )