In the application of statistics, t

In the application of statistics, the statistical modeling is considered a major task

of study. Three statistical processes to guide a model, which has the parsimony,

goodness-of-fit, and generalizability properties, are the hypothesis testing of parameters,

variable selection algorithms, and model selection criterion. The model selection criterion

is a popular tool for selecting the best model. The first model selection criterion to gain

widespread acceptance was the Akaike information criterion, AIC [1-6]. Other criteria

were subsequently introduced and studied such as, Bayesian information criterion, BIC

[7-9], Hannan and Quinn criterion, HQ [10-11], and Kullback information criterion, KIC

[12-19]. AIC and BIC are two well-known measures, although AIC remains arguably the

most widely used of the model selection criterion, BIC is a popular competitor. In fact,

BIC is often preferred over AIC by practitioners who find appeal in either its Bayesian

justification or its tendency to choose more parsimonious models than AIC. Neath and

Cavanaugh [8]; Cavanaugh [12]; Giombini and Szroeter [20] concluded that AIC was an

asymptotically efficient criterion, then in the large sample, AIC chose the model with

minimum mean squared error (MSE) whereas BIC was a consistent criterion and could

identify the correct model asymptotically with probability one. As a result, when the

generating model is a finite order and is represented in the collection of candidate

families under consideration model, the efficient criterion as AIC is an inconsistent

criterion and tends, asymptotically, to overestimate the dimension of the parameter

vector for the model.

Unfortunately, all of the standard model selection criteria are stated above

cannot be used in a SEM when the autocorrelation (AR) and/or moving average (MA)

problems occurred, except SAIC in [6] can be used in the SEM when there is the AR(2)

problem. Keerativibool and Keerativibool et al. [21-25] concluded that the AR and MA

problems made the overestimated of the errors whether the models were regression or

SEM. Consequently, the values of all model selection criteria are incorrect. The AR and

MA problems are usually found in time-series and panel data. The economic time-series

and panel cross sectional data often display a memory in that variation around the

regression function is not independent from one period to the next. The seasonally

adjusted price and quantity series published by government agencies are examples.

With this motivation, this study has three objectives as follows. Firstly, a GLS

transformation matrix proposed in Keerativibool’s paper [24] is used to correct the AR(2)

problem. Secondly, a system of simultaneous equations BIC, called SBIC, is proposed to



select the best SEM. SBIC is considered after the AR(2) problem are corrected, but the

contemporaneously correlated errors still being considered. Also, BIC introduced by

Schwarz [7] is slightly adjusted in order to use in a SEM when the AR(2) problem is

ignored. The last objective, the performance of proposed model selection criteria, SBIC

and BIC, are compared with SAIC and AIC, the measures of model selection proposed

by Keerativibool et al. [6].

The remainder of this study is organized as follows. In Section 2, we summarize

the main characteristics of the model to consider this study, including a GLS

transformation matrix to correct the AR(2) problem. Derivations of the model selection

criteria, called SBIC and BIC, follow in Section 3. Section 4 demonstrates the steps to

construct the SEM when the errors are AR(2) and contemporaneously schemes, the

steps to transform the errors of SEM to be independent, the steps of model selection,

and shows all results of the simulation study. Finally, Section 5 is the conclusion,

discussion, and further study.

ผลลัพธ์ (ไทย) 1:

ใช้สถิติ สร้างโมเดลทางสถิติถือว่าเป็นงานหลักการศึกษา กระบวนการทางสถิติ 3 จะแนะนำรุ่น ซึ่งมีการ parsimony ความดีของพอดี และคุณสมบัติ generalizability มีสมมติฐานการทดสอบพารามิเตอร์ เลือกตัวแปรอัลกอริทึม และเกณฑ์การเลือกรูปแบบ เกณฑ์การเลือกแบบจำลอง เป็นเครื่องมือยอดนิยมสำหรับการเลือกรูปแบบดีที่สุด เกณฑ์การเลือกรุ่นแรกจะได้รับ ยอมรับอย่างแพร่หลายถูกเกณฑ์ Akaike ข้อมูล AIC [1-6] เงื่อนไขอื่น ๆ ต่อมาได้นำ และศึกษาเช่น ทฤษฎีข้อมูลเกณฑ์ BIC [7-9], Hannan และควินน์เกณฑ์ HQ [10-11], และ Kullback ข้อมูลเกณฑ์ KIC [12-19] การ AIC และ BIC มีสองวัดรู้จัก แม้ว่า AIC ยังคง ใช้กันอย่างแพร่หลายของเกณฑ์การเลือกแบบจำลอง BIC เป็นคู่แข่งนิยม อันที่จริง BIC อยู่มักจะต้องการ AIC โดยผู้ที่ค้นหาดึงดูดใจในทฤษฎีของ เหตุผลหรือแนวโน้มของการเลือกรุ่น parsimonious ขึ้นกว่า AIC Neath และอย่างไร Cavanaugh [8]; อย่างไร Cavanaugh [12], Giombini และ Szroeter [20] สรุปว่า AIC เป็นการ เกณฑ์ประสิทธิภาพ asymptotically แล้วในตัวอย่างขนาดใหญ่ AIC เลือกรูปแบบที่มี ค่าเฉลี่ยต่ำสุดลอการิทึม (MSE) ข้อผิดพลาดขณะ BIC มีเงื่อนไขที่สอดคล้องกัน และสามารถ ระบุรูปแบบถูกต้อง asymptotically ด้วยความน่าเป็นหนึ่ง ดังนั้น เมื่อการ สร้างแบบจำลองเป็นการจำกัด และแสดงในชุดของผู้สมัคร ครอบครัวภายใต้การพิจารณาแบบจำลอง เกณฑ์ประสิทธิภาพเป็น AIC เป็นการไม่สอดคล้องกัน เกณฑ์ และมีแนวโน้ม asymptotically, overestimate ขนาดของพารามิเตอร์ เวกเตอร์ในรูปแบบอับ เกณฑ์การเลือกรูปแบบมาตรฐานทั้งหมดที่กล่าวข้างต้น ไม่สามารถใช้ในการ SEM เมื่อ autocorrelation (AR) หรือค่าเฉลี่ยเคลื่อนที่ (MA) ปัญหาที่เกิดขึ้น ยกเว้น SAIC ใน [6] ใช้ใน SEM เมื่อมีการ AR(2) ปัญหา Keerativibool และ Keerativibool et al. [21-25] สรุปที่ AR และ MA ปัญหาทำ overestimated ข้อผิดพลาดว่ารุ่นกำลังถดถอย หรือ SEM. ดังนั้น ค่าเกณฑ์การเลือกแบบจำลองทั้งหมดถูกต้อง AR และ ปัญหามามักจะพบในชุดข้อมูลเวลาและแผงข้อมูล ชุดเวลาที่เศรษฐกิจ และแผงข้ามตัดข้อมูลที่มักจะแสดงหน่วยความจำเป็นในการเปลี่ยนแปลงสถาน ฟังก์ชันการถดถอยไม่เป็นอิสระจากระยะหนึ่งไป การ seasonally ปรับปรุงราคาและปริมาณชุดเผยแพร่ โดยหน่วยงานของรัฐบาลเป็นตัวอย่าง แรงจูงใจนี้ การศึกษานี้มีวัตถุประสงค์สามดัง ประการแรก GLS เป็นใช้การแก้ไข AR(2) เมตริกซ์การแปลงการนำเสนอในกระดาษของ Keerativibool [24] ปัญหา ประการที่สอง พร้อมสมการ BIC เรียก SBIC ระบบการนำเสนอ เลือกส่วนถือ SEM. SBIC หลังจากที่มีแก้ไขปัญหา AR(2) แต่ ข้อผิดพลาด contemporaneously correlated ยังคง ถูกพิจารณา ยัง BIC ที่นำโดย Schwarz [7] ที่มีปรับเล็กน้อยเพื่อใช้ในการ SEM เมื่อปัญหา AR(2) ละเว้น วัตถุประสงค์สุดท้าย ประสิทธิภาพของเกณฑ์การเลือกรูปแบบการนำเสนอ SBIC BIC และมีการเปรียบเทียบกับ SAIC AIC วัดเลือกรูปแบบการนำเสนอ โดย Keerativibool et al. [6]ส่วนเหลือของการศึกษานี้มีการจัดระเบียบดังนี้ ในส่วน 2 เราสรุปลักษณะสำคัญของรูปแบบการศึกษานี้ รวมทั้งเป็น GLS เมตริกซ์การแปลงเพื่อแก้ปัญหา AR(2) รากศัพท์ของการเลือกรูปแบบ เงื่อนไข เรียก SBIC และ BIC ปฏิบัติตามในหมวดที่ 3 ส่วนที่ 4 แสดงให้เห็นถึงขั้นตอนการ สร้าง SEM เมื่อข้อผิดพลาด AR(2) และ contemporaneously แผนงาน การ ขั้นตอนในการแปลงข้อผิดพลาดของ SEM ให้เป็นอิสระ ขั้นตอนการเลือกรูปแบบและแสดงผลลัพธ์ทั้งหมดของการศึกษาการจำลองการ สุดท้าย ส่วนที่ 5 เป็นบทสรุป สนทนา และศึกษาเพิ่มเติม

ผลลัพธ์ (ไทย) 2:

ในการประยุกต์ใช้สถิติแบบจำลองทางสถิติถือว่าเป็นงานที่สำคัญของการศึกษา สามกระบวนการทางสถิติเพื่อเป็นแนวทางในรูปแบบที่มีความประหยัดที่คุณงามความดีของพอดีและคุณสมบัติ generalizability มีการทดสอบสมมติฐานของพารามิเตอร์ขั้นตอนวิธีการเลือกตัวแปรและเกณฑ์ในการเลือกรูปแบบ เกณฑ์การเลือกรูปแบบการเป็นเครื่องมือที่นิยมสำหรับการเลือกรุ่นที่ดีที่สุด เกณฑ์การเลือกรุ่นแรกที่จะได้รับการยอมรับอย่างกว้างขวางเป็นเกณฑ์ข้อมูล Akaike, AIC [1-6] เกณฑ์อื่น ๆถูกนำมาใช้ในภายหลังและการศึกษาเช่นเกณฑ์ข้อมูลคชกรรม BIC [7-9] Hannan และเกณฑ์ที่ควินน์ HQ [10-11] และเกณฑ์ข้อมูล Kullback, KIC [12-19] AIC และ BIC มีสองมาตรการที่รู้จักกันดีถึงแม้ว่าเอไอซียังคงเนื้อหาที่ใช้กันอย่างแพร่หลายของเกณฑ์ในการเลือกรูปแบบที่BIC เป็นคู่แข่งที่ได้รับความนิยม ในความเป็นจริงBIC มักจะเป็นที่ต้องการมากกว่า AIC โดยผู้ปฏิบัติงานที่พบอุทธรณ์ทั้งในแบบเบย์ของเหตุผลหรือแนวโน้มที่จะเลือกรูปแบบที่ประหยัดกว่าAIC ใต้และCavanaugh [8]; Cavanaugh [12]; GIOMBINI และ Szroeter [20] สรุปว่า AIC เป็นเกณฑ์ที่มีประสิทธิภาพasymptotically แล้วในตัวอย่างขนาดใหญ่ AIC เลือกรูปแบบที่มีค่าเฉลี่ยต่ำสุดยืดข้อผิดพลาด(MSE) ในขณะที่ BIC เป็นเกณฑ์ที่สอดคล้องกันและสามารถระบุรูปแบบที่ถูกต้องasymptotically มีความน่าจะเป็นหนึ่ง เป็นผลให้เมื่อรูปแบบที่ก่อให้เกิดการสั่งซื้อที่ จำกัด และมีตัวแทนอยู่ในคอลเลกชันของผู้สมัครครอบครัวภายใต้รูปแบบการพิจารณาเกณฑ์ที่มีประสิทธิภาพAIC เป็นไม่สอดคล้องเกณฑ์และมีแนวโน้มที่, asymptotically เพื่อประเมินขนาดของพารามิเตอร์เวกเตอร์สำหรับรูปแบบ. แต่น่าเสียดายที่ทั้งหมดของเกณฑ์การคัดเลือกรูปแบบมาตรฐานที่ระบุไว้ข้างต้นไม่สามารถนำมาใช้ใน SEM เมื่ออัต (AR) และ / หรือค่าเฉลี่ยเคลื่อนที่ (MA) ปัญหาที่เกิดขึ้นยกเว้น SAIC ใน [6] สามารถนำมาใช้ใน SEM เมื่อมี เป็น AR (2) ปัญหาที่เกิดขึ้น Keerativibool และ Keerativibool et al, [21-25] สรุปว่า AR และแมสซาชูเซตปัญหาทำเกินไปของข้อผิดพลาดไม่ว่าจะเป็นรูปแบบที่มีการถดถอยหรือSEM ดังนั้นค่าของเกณฑ์การคัดเลือกทุกรุ่นไม่ถูกต้อง เท่และปัญหา MA มักจะพบในอนุกรมเวลาและข้อมูลที่แผง ชุดเวลาเศรษฐกิจและแผงข้ามข้อมูลส่วนมักจะแสดงหน่วยความจำในรูปแบบรอบที่ฟังก์ชั่นการถดถอยไม่ได้เป็นอิสระจากหนึ่งในระยะเวลาต่อไป ตามฤดูกาลราคาปรับปริมาณและชุดที่เผยแพร่โดยหน่วยงานภาครัฐเป็นตัวอย่าง. ด้วยแรงจูงใจนี้การศึกษาครั้งนี้มีวัตถุประสงค์ดังต่อไปนี้ ประการแรก GLS เมทริกซ์การเปลี่ยนแปลงที่นำเสนอในบทความของ Keerativibool [24] จะใช้ในการแก้ไข AR (2) ปัญหาที่เกิดขึ้น ประการที่สองระบบสมการพร้อมกัน BIC เรียก SBIC จะเสนอให้เลือกที่ดีที่สุดSEM SBIC เป็นที่ยอมรับว่าหลังจากที่ AR (2) ปัญหาได้รับการแก้ไข แต่ข้อผิดพลาดที่มีลักษณะร่วมcontemporaneously ยังคงได้รับการพิจารณา นอกจากนี้ BIC นำโดยSchwarz [7] จะมีการปรับเล็กน้อยเพื่อที่จะใช้ใน SEM เมื่อ AR (2) ปัญหาคือไม่สนใจ โดยมีวัตถุประสงค์ที่ผ่านมาการทำงานของการเสนอเกณฑ์การคัดเลือกรุ่น SBIC และ BIC จะเทียบกับ SAIC และ AIC มาตรการของการเลือกรูปแบบที่นำเสนอโดยKeerativibool et al, [6]. ที่เหลือของการศึกษาครั้งนี้มีการจัดระเบียบดังต่อไปนี้ ในส่วนที่ 2 เราสรุปลักษณะสำคัญของรูปแบบที่จะต้องพิจารณาการศึกษาครั้งนี้รวมทั้งแอลเอสแมทริกซ์การเปลี่ยนแปลงแก้ไขAR (2) ปัญหาที่เกิดขึ้น derivations ของการเลือกรูปแบบเกณฑ์ที่เรียกว่าSBIC BIC และทำตามในมาตรา 3 มาตรา 4 แสดงให้เห็นถึงขั้นตอนในการสร้างSEM เมื่อมีข้อผิดพลาด AR (2) และ contemporaneously แผนการที่ขั้นตอนในการแปลงข้อผิดพลาดของSEM ที่จะเป็นอิสระ ขั้นตอนของการเลือกรูปแบบและการแสดงผลทั้งหมดของการศึกษาแบบจำลอง สุดท้ายมาตรา 5 คือข้อสรุปของการอภิปรายและการศึกษาต่อไป

ผลลัพธ์ (ไทย) 3:

ในการใช้สถิติและแบบจำลองทางสถิติถือว่างาน

ที่สำคัญของการศึกษา 3 กระบวนการทางสถิติเพื่อแนะนำรูปแบบซึ่งมีความตระหนี่

, ความดีของพอดีและคุณสมบัติ 1 , การทดสอบสมมติฐานของค่า

ตัวแปรการเลือกอัลกอริทึม และเกณฑ์การคัดเลือกตัวแบบ . รูปแบบการเลือกเกณฑ์

เป็นเครื่องมือที่นิยมสำหรับการเลือกรูปแบบที่ดีที่สุด รุ่นแรกเกณฑ์การคัดเลือกเข้า

ฉาวยอมรับเคราะห์ข้อมูลคือเกณฑ์ AIC [ 1-6 ] เกณฑ์อื่น ๆ

จัดการแนะนำและศึกษา เช่น เกณฑ์ข้อมูลส์บิ๊ก

[ 4-5 ] แฮนเนิ่นและควินน์เกณฑ์ HQ [ d ] และคัลแบ็กข้อมูลเกณฑ์ KIC

[ 12-19 ]BIC เป็นสองที่รู้จักกันดีและ 6 มาตรการ แม้ว่า AIC ยังคงอยู่อย่าง

ใช้กันอย่างกว้างขวางมากที่สุดของรูปแบบการเลือกเกณฑ์ BIC เป็นคู่แข่งที่ได้รับความนิยม ในความเป็นจริง

บิ๊กมักจะต้องการมากกว่า AIC โดยผู้ปฏิบัติงานที่พบอุทธรณ์ทั้งในแบบของมัน

เหตุผลหรือแนวโน้มในการเลือกมากขึ้นกว่าความตระหนี่แบบ AIC . ใต้และ

กัน [ 8 ] ; กัน [ 12 ] ;และ giombini szroeter [ 20 ] สรุปว่า AIC เป็น

asymptotically มีประสิทธิภาพตามเกณฑ์แล้วในตัวอย่างขนาดใหญ่ , AIC เลือกโมเดลด้วย

ขั้นต่ำหมายถึงกำลังสอง ( MSE ) ในขณะที่ข้อผิดพลาด BIC เป็นเกณฑ์ที่สอดคล้องกันและสามารถ

ระบุรุ่นที่ถูกต้อง asymptotically กับความน่าจะเป็น 1 เป็นผลให้เมื่อ

สร้างแบบจำลองเป็นวิธีสั่งซื้อและเป็นตัวแทนในคอลเลกชันของผู้สมัคร

ครอบครัวภายใต้การพิจารณารูปแบบมีประสิทธิภาพเกณฑ์เป็น AIC เป็นเกณฑ์ และมีแนวโน้มสอดคล้อง

asymptotically overestimate , , ขนาดของพารามิเตอร์

เวกเตอร์สำหรับนางแบบค่ะ

แต่ทั้งหมดของรุ่นมาตรฐาน เกณฑ์ที่ระบุไว้ข้างบน

ไม่สามารถใช้ใน SEM เมื่ออัต ( AR ) และ / หรือค่าเฉลี่ยเคลื่อนที่ ( MA )

ปัญหาที่เกิดขึ้นนอกจาก SAIC ใน [ 6 ] สามารถใช้ใน SEM เมื่อมี AR ( 2 )

ปัญหา และ keerativibool keerativibool et al . [ 28 ] สรุปว่า AR และมา

ปัญหาได้ overestimated ของข้อผิดพลาดว่าโมเดลการถดถอยหรือ

SEM จากนั้นค่าของทุกเกณฑ์การคัดเลือกตัวแบบไม่ถูกต้อง โดย AR และ

มา ปัญหาที่มักจะพบในอนุกรมเวลาและแผงข้อมูล เศรษฐกิจเวลา

และแผงข้อมูลตัดขวางมักแสดงความทรงจำในรูปแบบรอบ

) ฟังก์ชันไม่อิสระจากช่วงหนึ่งไปถัดไป อาหาร

ปรับราคาและปริมาณชุดเผยแพร่โดยหน่วยงานภาครัฐ มีตัวอย่าง

กับแรงจูงใจในการศึกษาครั้งนี้ มีวัตถุประสงค์ ดังนี้ ก่อนอื่น , GLS

การแปลงเมทริกซ์เสนอใน keerativibool กระดาษ [ 24 ] ใช้เพื่อแก้ไข AR ( 2 )

ปัญหา ประการที่สอง ระบบสมการพร้อมกัน BIC ที่เรียกว่า SBIC , เสนอ



เลือกที่ดีที่สุด SEMSBIC ถือว่าหลังจาก AR ( 2 ) ปัญหาจะแก้ไขได้ แต่

contemporaneously ความสัมพันธ์ผิดพลาดยังคงได้รับการพิจารณา นอกจากนี้ บิ๊ก แนะนำด้วย

ชวาร์ซ [ 7 ] คือการปรับเล็กน้อยเพื่อใช้ใน SEM เมื่อ AR ( 2 ) ปัญหาคือ

ละเว้น วัตถุประสงค์สุดท้าย ประสิทธิภาพของรูปแบบการเลือกเกณฑ์ SBIC

และ บิ๊ก จะเทียบกับ SAIC และ AIC ,มาตรการของการเลือกรูปแบบการนำเสนอ

โดย keerativibool et al . [ 6 ] .

ส่วนที่เหลือของการศึกษานี้คือ การจัด ดังนี้ ในส่วนที่ 2 เรา

สรุปลักษณะสำคัญของรูปแบบการพิจารณาในครั้งนี้ ได้แก่ การเปลี่ยนแปลงด้าน

Matrix เพื่อแก้ไข AR ( 2 ) ปัญหา แหล่งที่มาของการเลือกแบบ

และเกณฑ์ เรียกว่า SBIC บิก ตาม มาตรา 3ส่วนที่ 4 แสดงขั้นตอน

สร้าง SEM เมื่อข้อผิดพลาด AR ( 2 ) และ contemporaneously โครงร่าง ,

ขั้นตอนการแปลงข้อผิดพลาดของ SEM เป็นอิสระ ขั้นตอนของการเลือกรูปแบบ

และแสดงผลทั้งหมดของการศึกษาระบบ ในที่สุด มาตรา 5 เป็นการสรุป

อภิปราย และศึกษาเพิ่มเติม