به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

logistic regression

در نشریات گروه آمار
تکرار جستجوی کلیدواژه logistic regression در نشریات گروه علوم پایه
  • مریم مالکی، حمیدرضا نیلی ثانی*، محمد قاسم اکبری

    در این مقاله، مدل های رگرسیونی لوژستیک  که در آن متغیرهای پاسخ به صورت دو (یا چند) ارزشی و متغیرهای توضیحی (پیشگو یا مستقل) متغیرهای معمولی هستند اما خطاها علاوه بر ماهیتی تصادفی، ماهیتی ابهامی، نیز دارند، مورد مطالعه قرار می گیرند. بر این اساس مدل پیشنهادی را صورت بندی کرده و برآورد ضرایب را برای حالتی با تنها یک متغیر توضیحی و با استفاده از روش کمترین توان های دوم تعیین می کنیم. در پایان با یک مثال به تشریح نتایج حاصله می پردازیم

    کلید واژگان: رگرسیون لوژستیک، متغیر تصادفی فازی، متغیر تصادفی زبانی فازی
    Maryam Maleki, Hamidreza Nili-Sani*, M.GH. Akari

    In this article, logistic regression models are studied in which the response variables are two (or multiple) values and the explanatory variables (predictor or independent) are ordinary variables, but the errors have a vagueness nature in addition to being random. Based on this, we formulate the proposed model and determine the estimation of the coefficients for a case with only one explanatory variable using the method of least squares. In the end, we explain the results with an example.

    Keywords: Logistic Regression, Fuzzy Random Variables, Fuzzy Linguistic Random Variables
  • مهسا مرکانی، منیژه صانعی طبس، حبیب نادری*، حامد احمدزاده، جواد جمال زاده

    هنگام کار با یک مجموعه داده رگرسیونی ممکن است برخی شرایط برقرار نباشند و محدودیت هایی برای اجرای مدل رگرسیون به وجود آیند. روش آنتروپی تعمیم یافته ماکسیمم قادر است پارامترهای مدل رگرسیونی را بدون اعمال هیچ شرطی روی توزیع احتمال خطاها برآورد کند. این روش حتی در مواردی که حجم نمونه خیلی کم است و یا بین متغیرهای مستقل، هم خطی بالایی وجود داشته باشد قادر به برآورد پارامترهای مدل است و لذا روشی توانمندی است. در این پژوهش قصد بر آن است پارامترهای مدل لجستیک دودویی با به کارگیری آنتروپی تعمیم یافته ماکسیمم (GME)‎ برآورد شود و نتایج آن با روش ماکسیمم درستنمایی ‎(ML)‎ براساس معیار میانگین مربعات خطا‎ (MSE) ‎ مقایسه شود. بدین منظور نمونه ای تصادفی به حجم ‎399‎ نفر از اطلاعات مشتریان بانک مانند سن، شغل، وضعیت تاهل، میزان تحصیلات و وام به عنوان متغیرهای مستقل و تقاضای مشتری برای افتتاح حساب مدت دار به عنوان متغیر وابسته جمع آوری شد. درنهایت با توجه به مقدار ‎MSE‎ نتیجه گرفته شد که روش GME نسبت به روش ML‎ دقیق تر است.

    کلید واژگان: رگرسیون لجستیک، آنتروپی ماکسیمم تعمیم یافته، درستنمایی ماکسیمم، میانگین مربعات خطا
    Mahsa Markani, Manije Sanei Tabas, Habib Naderi*, Hamed Ahmadzadeh, Javad Jamalzadeh

    ‎When working on a set of regression data‎, ‎the situation arises that this data‎ ‎It limits us‎, ‎in other words‎, ‎the data does not meet a set of requirements‎. ‎The generalized entropy method is able to estimate the model parameters‎ ‎Regression is without applying any conditions on the error probability distribution‎. ‎This method even in cases where the problem‎ ‎Too poorly designed (for example when sample size is too small‎, ‎or data that has alignment‎ ‎They are high and‎ .‎..) is also capable. ‎Therefore‎, ‎the purpose of this study is to estimate the parameters of the logistic regression model using the generalized entropy of the maximum‎. ‎A random sample of bank customers was collected and in this study‎, ‎statistical work and were performed to estimate the model parameters from the binary logistic regression model using two methods maximum generalized entropy (GME) and maximum likelihood (ML)‎. ‎Finally‎, ‎two methods were performed‎. ‎We compare the mentioned‎. ‎Based on the accuracy of MSE criteria to predict customer demand for long-term account opening obtained from logistic regression using both GME and ML methods‎, ‎the GME method was finally more accurate than the ml method‎.

    Keywords: Entropy, Generalized maximum entropy, Logistic regression, Logit, Maximum likelihood
  • علیرضا رضایی، مجتبی گنجعلی*، احسان بهرامی

    بی پاسخی در آمارگیری ها منبعی برای بروز خطا در نتایج آمارگیری است و سازمان های ملی آماری همواره به دنبال راهکارهایی برای کنترل و کاهش آن هستند. پیش بینی واحدهای نمونه گیری بی پاسخ در آمارگیری قبل از اجرای آمارگیری از جمله راهکارهایی است که می تواند کمک زیادی به کاهش و مرتفع نمودن مشکل بی پاسخی آمارگیری داشته باشد. با توسعه های اخیر فناوری و تسهیل در محاسبات پیچیده امکان به کارگیری روش های یادگیری آماری، مانند درخت های رگرسیون و رده بندی یا ماشین بردار پشتیبان در بسیاری از مسایل از جمله پیش بینی بی پاسخی واحدهای نمونه گیری در آمارگیری ها فراهم شده است. در این مقاله ضمن مرور کلی روش های فوق، واحدهای نمونه گیری بی پاسخ در یک آمارگیری کارگاهی با استفاده از آن ها پیش بینی شده و نشان داده می شود ترکیب روش های فوق دارای دقت بیشتری در پیش بینی درست بی پاسخی نسبت به هر کدام از روش های تکی است.

    کلید واژگان: بی پاسخی، درخت رگرسیون و طبقه بندی، رگرسیون لوژستیک، ماشین بردار پشتیبان
    Alireza Rezaee, Mojtaba Ganjali*, Ehsan Bahrami

    Nonrespose is a source of error in the survey results and national statistical organizations are always looking for ways to control and reduce it. Predicting nonrespons sampling units in the survey before conducting the survey is one of the solutions that can help a lot in reducing and treating the survey nonresponse. Recent advances in technology and the facilitation of complex calculations have made it possible to apply statistical learning methods, such as regression and classification trees or support vector machines, to many issues, including predicting the nonresponse of sampling units in statistics. In this article, while reviewing the above methods, the nonresponse sampling units are predicted using them in an establishment survey and it is shown that a combination of the above methods is more accurate in predicting the correct nonresponse than any of these methods.

    Keywords: Classification, regression trees, logistic regression, nonresponse, Support vector machine
  • اکرم حیدری گرمیانکی*، مهرداد نیاپرست

    در عصر حاضر دسته بندی داده ها به منظور تشخیص و پیش بینی وقایع، یکی از موضوعات بسیار مهم در علوم مختلف است. در علم آمار دیدگاه سنتی این کلاس بندی ها براساس روش های کلاسیک و بر پایه مدل های آماری از جمله رگرسیون لژستیک امکان‎ پذیر خواهد بود. در عصر حاضر که به عبارتی عصر انفجار اطلاعات نامیده می شود، در اکثر موارد با داده هایی مواجه هستیم که نمی توان توزیع دقیقی را برای آن ها یافت؛ از این رو استفاده از روش های داده کاوی و یادگیری ماشین که به مدل های از پیش تعیین شده نیاز ندارند، می تواند مسمر ثمر باشد. در بسیاری از کشورها تشخیص دقیق نوع منابع آب های زیر زمینی، یکی از مسایل قابل توجه در زمینه علوم آب است. در این مقاله به مقایسه نتایج حاصل از رده بندی یک مجموعه داده مربوط به منابع آب های زیرزمینی با استفاده از روش های رگرسیونی، شبکه عصبی و ماشین بردار پشتیبان پرداخته ایم. نتایج از این کلاس بندی ها نشان داد که روش های یادگیری ماشین در تشخیص دقیق نوع چشمه ها موثر بوده است.

    کلید واژگان: شبکه عصبی، ماشین بردار پشتیبان، رگرسیون لژستیک
    Akram Heidari Garmianaki*, Mehrdad Niaparast

    In the present era, classification of data is one of the most important issues in various sciences in order to detect and predict events. In statistics, the traditional view of these classifications will be based on classic methods and statistical models such as logistic regression. In the present era, known as the era of explosion of information, in most cases, we are faced with data that cannot find the exact distribution. Therefore, the use of data mining and machine learning methods that do not require predetermined models can be useful. In many countries, the exact identification of the type of groundwater resources is one of the important issues in the field of water science. In this paper, the results of the classification of a data set for groundwater resources were compared using regression, neural network, and support vector machine. The results of these classifications showed that machine learning methods were effective in determining the exact type of springs.

    Keywords: neural networks, support vector machine, logistic regression
  • بتول خوندابی *، مهدی وحدتی، طه نوراللهی

    در این تحقیق با استفاده از مدل رگرسیون لوژستیکی تاثیر متغیر های پیشگوی دو حالتی تحصیلات (تحصیلات عالی و فاقد تحصیلات عالی) ، سن (جوان یا بزرگسال) ، جنسیت (مرد یا زن) ، محل سکونت (شهری یا روستایی) و بعد خانوار (کوچک یا بزرگ) بر احتمال بیکاری افراد 15 ساله و بیش تر مورد بررسی قرار می گیرد. همچنین سعی می شود روند تغییرات احتمال بیکاری این افراد طی سال های 1384 تا 1392 مورد تحلیل قرار گیرد. این مطالعه بر اساس نتیجه های خام طرح آمارگیری نیروی کار انجام شده است که از سال 1384 تا هم اکنون به صورت دوره های فصلی توسط مرکز آمار ایران اجرا می شود و نتایج آن به صورت فصلی و سالانه منتشر می شود. بر اساس یافته های این تحقیق اثر متغیر های مورد مطالعه بر وقوع بیکاری معنی دار شدند و به ترتیب متغیر های سن، محل سکونت، جنس، تحصیلات عالی و بعد خانوار دارای بیش ترین تاثیر بر روی بخت های بیکاری افراد 15 ساله و بیش تر هستند.

    کلید واژگان: بیکاری، نرخ بیکاری، احتمال بیکاری، بخت های بیکاری، رگرسیون لوژستیکی
    Batoul Khoundabi *, Mehdi Vahdati

    In this study, it was used logistic regression model to predictive of variables effect of education (highly educated or non-highly educated), age (young or adult), sex (male or female), location (urban or rural) and family size (low or high) on unemployment rate probability. It also was tried to analyze the changes of unemployment probability trend of these individuals during 2005 to 2013.This study was done based on the raw labor force survey results that conducted seasonality by Statistical Center of Iran (SCI) from 2005 up to now. The study results shows all variables have significant effect on unemployment probability and age, location, sex, education and family size have highest effects respectively.

    Keywords: Unemployment, unemployment rate, unemployment probability, unemployment odds, logistic regression
  • محسن محمدزاده*، افشین فلاح

    این مقاله تحلیل رگرسیون لوژستیک با داده های پیوندیافته را مد نظر قرار می دهد. نشان داده شده است که آمیخته ای متناهی از توزیع های برنولی را می توان برای مدل بندی متغیر پاسخ مورد استفاده قرار داد. برای این منظور یک براوردگر ماکسیمم درستنمایی تکراری که احتمال های انطباق را مد نظر قرار می دهد، پیشنهاد شده است. همتای بیزی این مدل بسامدی نیز توسعه داده شده است. سپس برای بررسی قابلیت کاربرد و کارایی روش های بسامدی و بیزی پیشنهاد شده در برابر خطاهای انطباق، مطالعه ای شبیه سازی اجرا شده است.

    کلید واژگان: پیوند رکوردها، رگرسیون لوژستیک، توزیع های آمیخته، الگوریتم EM
    M. Mohammadzadeh*, A. Fallah

    This paper considers logistic regression analysis with linked data. It is shown that، in logistic regression analysis with linked data، a finite mixture of Bernoulli distributions can be used for modeling the response variables. We proposed an iterative maximum likelihood estimator for the regression coefficients that takes the matching probabilities into account. Next، the Bayesian counterpart of the frequentist model is developed. Then، a simulation study is performed to check the applicability and performance of the proposed frequentist and Bayesian methodologies encountering mismatch errors.

    Keywords: Record linkage, logistic regression, mixture distributions, EM algorithm
  • آرزو مجیری، سروش علیمرادی، محمدرضا احمدزاده
    یک روش آماری رایج برای دسته بندی، استفاده از مدل های رگرسیون لوژستیک است. این روش با درنظرگرفتن اثرات خطی از ویژگی های افراد یا اشیا به مدل سازی احتمالات پسین عضویت در هر دسته می پردازد. در عمل این گمان وجود دارد که اثرات غیرخطی ویژگی ها می توانند نقش موثری در دسته بندی صحیح مشاهدات داشته باشند. اما مسئله ای که در پی ورود اثرات غیرخطی به مدل لوژستیک مطرح می شود، برآوردیابی پارامترها است. تحقیقات در سال های اخیر با فرض اثرات غیرخطی مانند اثرات متقابل و توابع پایه شعاعی گاوسی در مدل، برای پاسخ به مسئله برآوردیابی، استفاده ترکیبی از ابزارهایی مانند شبکه های عصبی تکاملی و روش های برآوردیابی ماکسیمم درستنمایی را پیشنهاد کرده اند. در این مقاله نوعی از توابع پایه شعاعی با نام توابع چندربعی معکوس به عنوان اثرات غیرخطی در مدل لوژستیک در نظر گرفته می شود و با روش ترکیبی، پارامترهای مدل برآورد می شوند. آزمایشات تجربی برای مقایسه مدلهای پیشنهادی در این مقاله، با استفاده از داده های پزشکی و داده های واقعی مربوط به یک کارخانه تولید فولاد انجام گرفته است. نتایج نشان می دهد که حضور توابع چندربعی معکوس نسبت به توابع گاوسی در مدل، میتواند باعث افزایش دقت دسته بندی شود
    کلید واژگان: دسته بندی، رگرسیون لوژستیک، توابع چندربعی معکوس، شبکه های عصبی تکاملی
    Arezou Mojiri, Soroush Alimoradi, Mohammadreza Ahmadzade
    Logistic regression models in classification problems by assuming the linear effects of covariates is a modeling for class membership posterior probabilities. The main problem that includes nonlinear combinations of covariates is maximum likelihood estimation (MLE) of the model parameters. In recent investigations، an approach of solving this problem is combination of neural networks، evolutionary algorithms and MLE methods. In this paper، another type of radial basis functions، namely inverse multiquadratic functions and hybrid method، are considered for estimating the parameters of these models. The experimental results of comparing the proposed models show that the inverse multiquadratic functions compared to the Gaussian functions have better precision in classification problems.
    Keywords: Classification, Logistic regression, Inverse multiquadratic functions, Evolutionary neural networks
  • رضا حاجی پور فرسنگی

    این پژوهش بر اساس مشخصه ی مخاطره گریزی افراد و عواملی همچون سن، جنسیت، وضعیت تاهل، وضعیت شغلی، تحصیلات، مورد استفاده ی اتومبیل، حجم موتور اتومبیل، تعداد تصادفات، سابقه ی رانندگی و تعداد سال های کارکرد اتومبیل، مدلی با به کارگیری مدل لوژستیک برای تقاضای بیمه ی بدنه ی اتومبیل ارایه کرده است. به منظور انجام این پژوهش، اطلاعات مورد نیاز با نمونه گیری تصادفی ساده در شهر تهران، در قالب پرسش نامه و در سال 1391، جمع آوری گردید. یافته های پژوهش بر اساس مدل رگرسیون لوژستیک و با استفاده از 497 پرسش نامه ی تکمیل شده نشان می دهند، مخاطره گریزی با تقاضای بیمه ی بدنه رابطه ی مستقیم و معنادار دارد. همچنین متغیرهای وضعیت تاهل، شغل دولتی، تحصیلات و تعداد تصادفات رابطه ای مستقیم و معنادار و متغیرهای جنسیت و سال های کارکرد اتومبیل رابطه ای معکوس و معنادار با تقاضای بیمه ی بدنه دارند.

    کلید واژگان: رگرسیون لوژستیک، بیمه ی بدنه ی اتومبیل، مخاطره گریزی
    Reza Hajipour Farsangi *

    This study develops a model of auto insurance demand using logit models, based on risk aversion measure along with other individual's characteristics such as age, sex, marital status, occupation, education, usage, engine size, number of accidents, driving experience and age of the car. Data for this study was collected during 2012, by random sampling methods and questionnaire. Using logistic regression model and With 497 completed questionnaires our results show that risk aversion has a significant and positive relationship with the auto insurance demand. Also marital status, governmental job, education and number of accidents variables have a significant and positive relationship with the auto insurance demand and sex and age of the car variables have a significant and negative relationship with the auto insurance demand.

    Keywords: Logistic regression, auto insurance, risk aversion
  • جان جورن استد
    مترجم: زهرا رضایی قهرودی
    جانهی چندگانه روشی است که به طور مشخص برای براورد واریانس در حضور داده های گم شده طراحی شده است. فرمول ترکیبی روبین نیازمند آن است که روش جانهی «مناسب» باشد، که اساسا به این معنی است که جانهی ها، استخراج تصادفی از یک توزیع پسین در یک چارچوب بیزی باشند. در موسسات ملی آمار (NSI''s National Statistical Institutes) مانند مرکز آمار نروژ، روش هایی که برای جانهی بی پاسخی استفاده می شوند، مانند بعضی از انواع جانهی های بی درنگ طبقه بندی شده، نوعا غیر بیزی هستند. بنا بر این روش جانهی چندگانه ی روبین در موسسات ملی آمار معتبر نیست و نمی تواند استفاده شود. این مقاله به مسئله ی تعیین یک فرمول ترکیبی دیگر می پردازد که بتواند برای روش های جانهی که نوعا در موسسات ملی آمار استفاده می شود، به کار رود و رهیافتی برای مطالعه ی این مسئله پیشنهاد می کند. فرمول های ترکیبی دیگری برای مکانیسم های خاص پاسخ و روش های جانهی از نوع بی درنگ تعیین شده اند.
    کلید واژگان: براورد وایانس، آمارگیری نمونه ای، نمونه گیری طبقه بندی شده، رگرسیون لوژستیک، بی پاسخی، جانهی بی درنگ
    Zahra Rezaei Ghahroodi*
    Multiple imputation is a method specifically designed for variance estimation in the presence of missing data. Rubin’s combination formula requires that the imputation method is “proper,” which essentially means that the imputations are random draws from a posterior distribution in a Bayesian framework. In national statistical institutes (NSI’s) like Statistics Norway, the methods used for imputing for nonresponse are typically non-Bayesian, e.g., some kind of stratified hot-deck. Hence, Rubin’s method of multiple imputation is not valid and cannot be applied in NSI’s. This article deals with the problem of deriving an alternative combination formula that can be applied for imputation methods typically used in NSI’s and suggests an approach for studying this problem. Alternative combination formulas are derived for certain response mechanisms and hot-deck type imputation methods.
    Keywords: Variance estimation, survey sampling, stratified sampling, logistic regression, nonresponse, hot, deck imputation
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال