research centers


Search results: Found 3

Listing 1 - 3 of 3
Sort by

Article
Robust Sliced Inverse Regression
الانحدار المعكوس المُجَزّأ الحصين

Author: Tahir Reisan Dikheel طاهر ريسان دخيل
Journal: AL-Qadisiyah Journal For Administrative and Economic sciences مجلة القادسية للعلوم الإدارية والاقتصادية ISSN: 18169171 23129883 Year: 2014 Volume: 16 Issue: 1 Pages: 227-242
Publisher: Al-Qadisiyah University جامعة القادسية

Loading...
Loading...
Abstract

In this paper, two methods were suggested to make the estimations of Effective Dimension Reduction directions (E.D.R.-directions) robust in sliced inverse regression (SIR), through the robust estimate of the matrix of covariance, which depends upon the method, by using fast consistent high breakdown (FCH) and reweighted fast consistent high breakdown (RFCH) methods, we called the proposed methods (FCH-SIR) and (RFCH-SIR). Data has been contaminating by two types of outliers values which are asymmetric contamination (ACN) and symmetric contamination (SCN), and different contaminating ratios and sample sizes. Have been reached, through simulation experiments and real data. Conclusions showed that the two proposed methods in this paper gave better results compared to the ordinary SIR depending on the mean square errors (MSE) criterion for comparison.

في هذا البحث تم اقتراح طريقة لجعل مقدرات اتجاهات تخفيض البعد المؤثر (اتجاهات E.D.R.) حصينا في طريقة الانحدار المعكوس المجزأ SIR, من خلال تقدير مصفوفة التباين المشترك التي تعتمد عليها الطريقة بشكل حصين باستخدام طريقتي FCH و RFCH الحصينتين وسميت الطريقتين المقترحتين FCH-SIR و RFCH-SIR , وقد تم تلويث البيانات المستخدمة بنوعين من القيم الشاذة وهي ACN و SCN وبنسب تلويث واحجام عينات مختلفة . وتم التوصل من خلال تجارب المحاكاة والبيانات الحقيقية الى استنتاجات بينت ان الطريقتين المقترحتين في هذا البحث اعطت نتائج افضل مقارنة بطريقة SIR الاعتيادية اعتمادا على معيار MSE اساسا للمقارنة.

Keywords

SIR --- FCH --- RFCH --- ACN --- SCN --- inverse regression --- curse of dimensionality


Article
Use projection pursuit regression and neural network to overcome curse of dimensionality
استعمال انحدار الاسقاطات المتلاحقة و الشبكات العصبية في تجاوز مشكلة البعدية

Authors: عمر عبد المحسن علي --- زينة ابراهيم حسن
Journal: journal of Economics And Administrative Sciences مجلة العلوم الاقتصادية والإدارية ISSN: 2227 703X / 2518 5764 Year: 2018 Volume: 24 Issue: 104 Pages: 344-353
Publisher: Baghdad University جامعة بغداد

Loading...
Loading...
Abstract

This research aim to overcome the problem of dimensionality by using the methods of non-linear regression, which reduces the root of the average square error (RMSE), and is called the method of projection pursuit regression (PPR), which is one of the methods for reducing dimensions that work to overcome the problem of dimensionality (curse of dimensionality), The (PPR) method is a statistical technique that deals with finding the most important projections in multi-dimensional data , and With each finding projection , the data is reduced by linear compounds overall the projection. The process repeated to produce good projections until the best projections are obtained. The main idea of the PPR is to model the multiple regression as a sum of the nonlinear functions of the linear structures of the variables. Two approaches were used to solve the problem curse of dimensionality : the first approach is proposed projection pursuit regression method (PPR) and The second approach is the method of neural networks (NN) representing by (Back Propagation of error) which is one of the methods used in reducing dimensions . A simulated study was conducted to compare the methods used. The simulations were based on findings that showed that the method (NN) in this study gave better results than the (PPR) based on RMSE

المستخلص يهدف هذا البحث الى تجاوز مشكلة البعدية من خلال طرائق الانحدار اللامعلمي والتي تعمل على تقليل جذر متوسط الخطأ التربيعي (RMSE) , أذ تم استعمال طريقة انحدار الاسقاطات المتلاحقة (PPR) ,والتي تعتبر احدى طرائق اختزال الابعاد التي تعمل على تجاوز مشكلة البعدية (curse of dimensionality) , وان طريقة (PPR) من التقنيات الاحصائية التي تهتم بأيجاد الاسقاطات الاكثر أهمية في البيانات المتعددة الابعاد , ومع ايجاد كل اسقاط تتقلص البيانات بواسطة المركبات الخطية على طول الاسقاط ويتم تكرار العملية لايجاد اسقاطات جيدة لحين الحصول على افضل الاسقاطات والفكرة الاساسية لانحدار الاسقاطات المتلاحقة (PPR) هو نمذجة الانحدار المتعدد كمجموع للدوال غير الخطية للتراكيب الخطية للمتغيرات .ومن اجل التخلص من مشكلة البعدية تم استعمال اسلوبين الاسلوب الاول طريقة انحدار الاسقاطات المتلاحقة (PPR ) المقترحة والاسلوب الثاني طريقة الشبكات العصبية ( NN ) المتمثلة ( بالانبعاث الخلفي للخطأ ) وهي من الطرائق المستخدمة في اختزال الابعاد , وقد تم اجراء دراسة محاكاة للمقارنة بين الطرائق المستخدمة وتم التوصل من خلال تجارب المحاكاة الى استنتاجات بينت ان الطريقة (NN) في هذا البحث اعطت نتائج افضل مقارنة بطريقة ( PPR ) اعتمادا على معيار جذر متوسط مربعات الخطأ (RMSE).


Article
"A comparative study between LASSO-MAVE method and Adaptive LASSO-MAVE method for variable selection in semi-parametric single index models
دراسة مقارنة بين طريقة ( لاسو – ماف ) وطريقة ( لاسو التكيفيه – ماف ) لاختيار المتغير في نماذج المؤشر الواحد شبه المعلميه

Author: Tariq Aziz Saleh م.د. طارق عزيز صالح
Journal: THE IRAQI MAGAZINJE FOR MANAGERIAL SCIENCES المجلة العراقية للعلوم الادارية ISSN: ISSN 10741818 Year: 2017 Volume: 13 Issue: 53 Pages: 197-215
Publisher: Kerbala University جامعة كربلاء

Loading...
Loading...
Abstract

The semi-parametric single – index model (SSIM) are important tools and basic to treatment the problem of high – dimensional , As it plays an important role in the process of model building and variable selection of significant . in this research has been the use some methods variable selection of automatic modern and that work on estimation vector of parameters β and link function g (X^T β ) With variable selection at the same time for semi-parametric single-index model are LASSO -MAVE method and Adaptive LASSO - MAVE method for aim to improve the accuracy and predict of the model . in order to achieve this aim , it was conducted simulation experiment to show methods preference used in estimation and variable selection for model under study by using different models , different variances , different sample sizes and different correlation values as well as the use of a real data of influencing factors on market value share for the banks sector in the iraqi stock exchange for purpose of comparison and a check from performance these methods in practice . it was reached through simulation experiments and a real data to conclusion showed favorite Adaptive LASSO - MAVE method as it gave better results from LASSO-MAVE method depending on the two criteria Average mean squared error (AMSE) and Average mean absolute error (AMAE) basically for Comparison , and were obtained on results depending on program R- package.

ان نماذج المؤشر الواحد شبه المعلميه هي ادوات مهمة واساسية لمعالجة مشكلة الابعاد العالية اذ تلعب دوراً مهماً في عملية بناء الانموذج واختيار المتغيرات المعنويه . وفي هذا البحث تم استعمال بعض اساليب اختيار المتغير التلقائي الحديثة والتي تعمل على تقدير متجه المعلمات β ودالة الربط g (X^T β ) واختيار المتغير في آن واحد لنماذج المؤشر الواحد شبه المعلميه وهي طريقة (LASSO – MAVE) وطريقة )MAVE- (Adaptive LASSO بهدف تحسين دقة وتنبؤ الانموذج ومن اجل تحقيق هذا الهدف تم اجراء تجارب المحاكاة لبيان افضلية الطرائق المستعملة في تقدير واختيار المتغير للانموذج قيد الدراسة وباستعمال نماذج مختلفة , تباينات مختلفة , وحجوم عينات مختلفة وقيم ارتباط مختلفة فضلاً عن استخدام البيانات الحقيقية المتمثلة بالعوامل المؤثرة في القيمة السوقية للسهم لقطاع المصارف في سوق العراق للاوراق المالية لغرض المقارنة والتحقق من اداء هذه الطرائق في الواقع العملي . وتم التوصل عن طريق تجارب المحاكاة والبيانات الحقيقية الى استنتاجات بينت افضلية طريقة MAVE)- (LASSO اذ اعطت نتائج افضل من طريقة LASSO – MAVE) (Adaptive بالاعتماد على المعيارين معدل متوسط مربعات الخطا (AMSE) ومعدل متوسط الخطا المطلق (AMAE) اساساً للمقارنة وتم الحصول على النتائج بالاعتماد على برنامج (R-package).

Listing 1 - 3 of 3
Sort by
Narrow your search

Resource type

article (3)


Language

Arabic (1)

Arabic and English (1)

English (1)


Year
From To Submit

2018 (1)

2017 (1)

2014 (1)