مقایسه عملکرد مدلهای رگرسیون در دادههای ناپایدار و متغیر در طول زمان
کلمات کلیدی:
ARIMA, Ridge , Lasso , رگرسیونچکیده
در این تحقیق، عملکرد مدلهای مختلف رگرسیون در پیشبینی دادههای ناپایدار و متغیر در طول زمان مقایسه شده است. هدف اصلی این مطالعه بررسی توانایی مدلهای رگرسیون خطی[1]، رگرسیون Ridge، رگرسیون Lasso و مدل [2]ARIMA در شبیهسازی و پیشبینی دادههایی است که تحت تأثیر نوسانات شدید و تغییرات ناگهانی قرار دارند. دادههای مورد استفاده شامل سریهای زمانی با ویژگیهای ناپایدار و متغیر در طول زمان بوده و مدلها با استفاده از معیارهای ارزیابی مختلف مانند خطای میانگین مربعات ریشهای[3]، میانگین مطلق خطا [4]و ضریب تعیین (R²) ارزیابی شدند. نتایج نشان داد که مدل ARIMA بهطور مؤثری نوسانات دادهها را پیشبینی کرده و در مقایسه با مدلهای رگرسیونی عملکرد بهتری داشت. همچنین، مدلهای رگرسیون Ridge و Lasso توانستند پیشبینیهای دقیقی ارائه دهند، بهویژه در مواجهه با ویژگیهای اضافی و همخطی میان دادهها. این تحقیق نشان میدهد که انتخاب مدل مناسب برای تحلیل دادههای ناپایدار اهمیت زیادی دارد و مدلهای پیچیدهتر نسبت به مدلهای خطی ساده در این زمینه کارایی بیشتری دارند.
دانلودها
مراجع
1. Gujarati, D. N. (2004), “Basic econometrics (4th ed.) “. New York: McGraw-Hill/Irwin.
2. Jaouad, M., Lorenzo, R. (2022), “An elementary analysis of ridge regression with random design“. Computers Rendus. Mathématique, 360 pp. 1055-1063.
3. Mohd, F. R. (2024), ARIMA Model Time Series Forecasting“. International Journal for Research in Applied Science and Engineering Technology. 12(5), pp. 3782-3785
4. Nguyen, H., Sherris, M., Villegas, A., Ziveyi, J, (2024), “Scenario selection with LASSO regression for the valuation of variable annuity portfolios“ Insurance: Mathematics and Economics, Elsevier, 116(C), pp. 27-43.
5. Tibshirani, R. (1996), “Regression Shrinkage and Selection via the Lasso “Journal of the Royal Statistical Society. Series B (Methodological). 58(1), pp. 267-288.
6. Zhang, Z., Cheng, Y., & Liu, N. C. (2014), “Comparison of the Effect of Mean-Based Method and Z-Score for Field Normalization of Citations at the Level of Web of Science Subject Categories “. Scientometrics, 101, pp. 2129-2140.
7. Zou, H., Hastie, T. (2005), “Regularization and Variable Selection via the Elastic net “. Journal of the Royal Statistical Society: Series B, 67, pp. 301-320.
