مدل خودبازگشتی گسسته مقدار بر اساس نوفه هایی با توزیع نمایی-وایبل گسسته
در این مقاله، به منظور مدل سازی داده های سری زمانی گسسته مقدار، فرایند خودبازگشتی گسسته مقدار جدید بر اساس توزیع نمایی-وایبل گسسته معرفی شده است. نظر به اهمیت توزیع های گسسته در مدل سازی داده های شمارشی، همتای گسسته توزیع نمایی-وایبل معرفی و برخی ویژگی های آماری آن از قبیل تابع بقا، نرخ خطر، تابع مولد گشتاور، چولگی و کشیدگی بررسی می شود. شاخص های پراکندگی فیشر، چولگی و کشیدگی، بیانگر انعطاف پذیری و کارایی توزیع نمایی-وایبل گسسته در برازش انواع مختلف داده های شمارشی است. توزیع نمایی-وایبل گسسته، برازش داده هایی با ویژگی های مختلف پراکندگی (کم پراکندگی، بیش پراکندگی و همسان)، دم راست بلند (چوله به راست) و دم سنگین را پوشش می دهد. پارامترهای مدل با استفاده از سه رویکرد ماکسیمم درستنمایی شرطی، کمترین توان های دوم شرطی تعمیم یافته و یول-واکر برآورد شده است. در پایان، کارایی و برتری فرایند مدنظر در برازش داده های تعداد فوت ناشی از بیماری COVID-19 نیز، در مقایسه با سایر مدل های رقیب بررسی می شود.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.