Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/71753
| Title: | วิธีการประมาณค่าพารามิเตอร์เมื่อทราบและไม่ทราบข้อมูลเบื้องต้น เกี่ยวกับพารามิเตอร์ในสมการถดถอยเชิงเส้นอย่างง่าย เมื่อความคลาดเคลื่อนมีอัตตสหสัมพันธ์ |
| Other Titles: | Parameters' estimation methods with known and unknown prior information in simple linear regression with autocorrelated error terms |
| Authors: | รุ่งรวี จุลเจนวิทย์ |
| Advisors: | มานพ วราภักดิ์ |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. บัณฑิตวิทยาลัย |
| Subjects: | พยากรณ์ การประมาณค่าพารามิเตอร์ การวิเคราะห์ความคลาดเคลื่อน (คณิตศาสตร์) อัตตสหสัมพันธ์ วิธีมอนติคาร์โล |
| Issue Date: | 2539 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบวิธีการประมาณค่าพารามิเตอร์เพื่อการพยากรณ์ เมื่อทราบและไม่ทราบข้อมูลเบื้องต้นของพารามิเตอร์ และความคลาดเคลื่อนมีอัตตสหสัมพันธ์ของวิธีการประมาณ 4 วิธีคือ วิธีกำลังสองน้อยที่สุด วิธีการแปลงของเพรสและวินส์เทน ตัวประมาณเบส์ และตัวพยากรณ์ผสม การเปรียบเทียบกระทำภายใต้เงื่อนไขของค่าอัตตสหสัมพันธ์ (P) ที่ระดับ 0.2, 0.4, 0.6, 0.8 และ 0.95 ขนาดตัวอย่างที่ศึกษาเท่ากับ 15, 30, 50 และ 70 และรูปแบบของตัวแปรอิสระ 4 รูปแบบคือ รูปแบบเส้นตรงตามเวลา, รูปแบบแนวโน้มไม่คงที่, รูปแบบแนวโน้มตามคาบเวลา และรูปแบบอัตตสหสัมพันธ์อันดับหนึ่ง สำหรับข้อมูลที่ใช้ในการวิจัยจำลองด้วยเทคนิคมอนติคาร์โลโดยกระทำซ้ำ 300 ครั้งในแต่ละสถานการณ์ เพื่อคำนวณค่าเฉลี่ยของความเคลื่อนกำลังสองของการพยากรณ์ (MSFE) ซึ่งผลการวิจัยสรุปได้ดังนี้ 1. กรณีอัตตสหสัมพันธ์ระดับต่ำ (0.8)ในทุกขนาดตัวอย่างและทุกรูปแบบตัวแปรอิสระ วิธีการแปลงของเพรสและวินส์เทน และวิธีกำลังสองน้อยที่สุดจะให้ค่าเฉลี่ยของความเคลื่อนกำลังสองของการพยากรณ์อยู่ในระดับใกล้เคียงกัน สำหรับตัวประมาณเบส์และตัวพยากรณ์ผสมจะให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์สูงขึ้นตามลำดับ 2.กรณีอัตตสหสัมพันธ์ระดับกลาง (0.4 และ 0.6)ในทุกรูปแบบตัวแปรอิสระ ตัวอยากรณ์ผสมจะให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์ต่ำสุดเมื่อขนาดตัวอย่างมีขนาดเล็ก ในขณะที่วิธีการแปลงของเพรสและวินส์เทนจะให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์ต่ำสุดเมื่อขนาดตัวอย่างมีขนาดใหญ่ สำหรับตัวประมาณเบส์ และวิธีกำลังสองน้อยที่สุดให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์สูงขึ้นตามลำดับ 3. กรณีอัตตสหสัมพันธ์ระดับสูง (0.8) ในทุกขนาดตัวอย่างและทุกรูปแบบตัวแปรอิสระ ตัวพยากรณ์ผสมจะให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์ต่ำสุด สำหรับตัวประมาณเบส์ และวิธีการแปลงของเพรสและวินส์เทนจะให้ค่าดังกล่าวสูงใกล้เคียงกัน และวิธีกำลังสองน้อยที่สุดจะให้ค่าสูงสุด 4. กรณีอัตตสหสัมพันธ์ระดับสูงมาก (0.9 และ 0.95) ในทุกขนาดตัวอย่างและทุกรูปแบบตัวแปรอิสระ ตัวประมาณเบส์จะให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์ต่ำสุด สำหรับตัวพยากรณ์ผสม วิธีการแปลงของเพรสและวินส์เทน และวิธีกำลังสองน้อยที่สุดจะให้ค่าเฉลี่ยของความคลาดเคลื่อนกำลังสองของการพยากรณ์สูงขึ้น ตามลำดับ |
| Other Abstract: | The objective of this study is to compare parameter estimation methods for forecasting in simple linear regression having autocorrelated disturbance terms when known and unknown prior information, The methods are Ordinary Least Squares method, Prais and Winsten Transformation method, Bayesian estimator, and Mixture predictor. The comparison was done under conditions of severity of autocorrelation (P) at 0,2. 0,4, 0.6. 0.8, 0.9 and 0,95, sample sizes at 15, 30, 50 and 70, and four forms of dependent variables are of Simple Time Trend. Stochastic Trend, Periodic Trend, and First Order Autoregressive. The data for this experiment were generated through the Monte Carlo Simulation technique. The experiment was repeated 300 times under each condition to calculate the mean squared forecast errors (MSFEs) of each method The results of the study are summarized as follows : 1. In case of low autocorrelation, p = 0.2. The MSFE’s of Prais-Winsten transformation method and OLS method are at the same level, For two higher levels, they are Bayesian estimator and Mixture predictor? respectively for all sample sizes and all forms of the independent variable. 2. In case of moderate autocorrelations, 0.4 ≤ p ≤ 0.6. Mixture predictor has the minimum MSFE in small sample size while Prais-Winsten transformation method has the minimum MSFE in case of large sample size. For two higher levels, they are Bayesian estimator and OLS method, respectively for all sample sizes and all forms of the independent variable. 3. In case of high autocorrelation, P = 0.8. Mixture predictor has the minimum MSFE while the MSFE‘s of Bayesian estimator and Prais-Winsten transformation method are at the same level, and OLS method has the maximum MSFE for all sample sizes and all forms of the independent variable. 4. In case of highest autocorrelation. P ≥ 0.9. Bayesian estimator has the minimum MSFE. For three higher levels, they are Mixture predictor, Prais-Winsten transformation method and OLS method, respectively for all sample sizes and all forms of the independent variable. |
| Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2539 |
| Degree Name: | สถิติศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | สถิติ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/71753 |
| ISBN: | 9746330691 |
| Type: | Thesis |
| Appears in Collections: | Grad - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Rungrawee_ju_front_p.pdf | 1.01 MB | Adobe PDF | View/Open | |
| Rungrawee_ju_ch1_p.pdf | 836.15 kB | Adobe PDF | View/Open | |
| Rungrawee_ju_ch2_p.pdf | 1.03 MB | Adobe PDF | View/Open | |
| Rungrawee_ju_ch3_p.pdf | 1.03 MB | Adobe PDF | View/Open | |
| Rungrawee_ju_ch4_p.pdf | 5.31 MB | Adobe PDF | View/Open | |
| Rungrawee_ju_ch5_p.pdf | 884.48 kB | Adobe PDF | View/Open | |
| Rungrawee_ju_back_p.pdf | 1.2 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.