DOI: https://doi.org/10.1038/s41598-025-00948-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40447638
تاريخ النشر: 2025-05-30
المؤلف: Ohud A. Alqasem وآخرون
الموضوع الرئيسي: طرق ونماذج إحصائية متقدمة
نظرة عامة
تناقش هذه الفقرة تحديات التعدد الخطي في نماذج الانحدار بواسون المختلط (MPRMs)، والتي تؤثر بشكل خاص على تقدير معاملات الانحدار عبر مقدر الاحتمالية القصوى (MLE). للتخفيف من هذه المشكلات، يقترح المؤلفون مقدرًا من نوع ليو لتعديل بواسون لنموذج الانحدار شبه ليندلي (PMQLRM). يثبتون التفوق النظري لهذا المقدّر على MLE، والانحدار الجبهي، ومقدرات ليو التقليدية باستخدام معيار متوسط الخطأ التربيعي (MSE). يتم استخدام محاكاة مونت كارلو لتقييم أداء مقدرات مختلفة، مما يكشف أن مقدر نوع ليو يتفوق باستمرار على MLE ومقدرات متحيزة أخرى في السيناريوهات التي تتميز بالتعدد الخطي.
في الختام، يتم تقديم مقدر نوع ليو لـ PMQLRM كبديل أكثر كفاءة لـ PMQLMLE التقليدي، خاصة في وجود التعدد الخطي. تشير نتائج المحاكاة إلى أن أداء المقدرات يتأثر بعوامل مثل ارتباط المتنبئين، وحجم العينة، ومستويات التشتت الزائد. أظهر PMQLLTE، المستند إلى معلمات نوع ليو، موثوقية متفوقة عبر جميع السيناريوهات المحاكاة. بالإضافة إلى ذلك، أكدت التطبيقات الواقعية فعاليته، خاصة عند استخدام معلمات نوع ليو (k2) و(d2). يوصي المؤلفون بـ PMQLLTE لتحليل بيانات العد المفرطة التشتت مع ارتباطات قوية بين المتغيرات التفسيرية ويقترحون أبحاثًا مستقبلية لتطوير نسخة قوية من مقدر نوع ليو لمعالجة القيم الشاذة والتعدد الخطي بشكل أكبر.
نقاش
في هذه الفقرة، يناقش المؤلفون تطوير وتقييم تعديل بواسون لمقدر ليو شبه ليندلي (PMQLLTE) ضمن إطار نموذج الانحدار شبه ليندلي المعدل بواسون (PMQLRM). يتضمن PMQLLTE معلمين للتقليص، $k$ و$d$، لمعالجة مشكلات التعدد الخطي بشكل فعال. يتم تعريف المقدّر على النحو التالي:
\[
\beta_{PMQLLTE} = (C + kI_a)^{-1} (C + kdI_a) \beta_{PMQLMLE}
\]
حيث $C$ هو مصفوفة التغاير، و$I_a$ هي مصفوفة الهوية، و$\beta_{PMQLMLE}$ هو مقدر الاحتمالية القصوى. توضح الفقرة أيضًا التحيز ومصفوفة التباين-التغاير لـ PMQLLTE، مما يؤدي إلى اشتقاق متوسط الخطأ التربيعي (MSE) وأدنى متوسط خطأ تربيعي (MMSE).
تشير المقارنات النظرية إلى أن PMQLLTE يتفوق على المقدرات الحالية، مثل PMQLMLE وPMQLRRE وPMQLLE، خاصة في السيناريوهات ذات التعدد الخطي العالي والتشتت الزائد. يدعم المؤلفون نتائجهم بدراسة محاكاة مونت كارلو، التي تظهر أن PMQLLTE يحقق باستمرار أدنى MSE عبر ظروف مختلفة، بما في ذلك أحجام عينات مختلفة ومستويات من التعدد الخطي. بالإضافة إلى ذلك، تؤكد التطبيقات الواقعية باستخدام مجموعات بيانات من دوريات كرة القدم السويدية والفرنسية فعالية PMQLLTE، مما يبرز قوته وقدرته على التكيف في السيناريوهات العملية. بشكل عام، يُوصى بالمقدّر المقترح لتحليل بيانات العد التي تتميز بالتشتت الزائد والتعدد الخطي.
DOI: https://doi.org/10.1038/s41598-025-00948-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40447638
Publication Date: 2025-05-30
Author(s): Ohud A. Alqasem et al.
Primary Topic: Advanced Statistical Methods and Models
Overview
The section discusses the challenges of multicollinearity in Mixed Poisson Regression Models (MPRMs), particularly affecting the estimation of regression coefficients via the maximum likelihood estimator (MLE). To mitigate these issues, the authors propose a Liu-type estimator for the Poisson Modification of the Quasi-Lindley Regression Model (PMQLRM). They establish the theoretical superiority of this estimator over the MLE, ridge regression, and traditional Liu estimators using the scalar mean squared error (MSE) criterion. A Monte Carlo simulation is employed to evaluate the performance of various estimators, revealing that the Liu-type estimator consistently outperforms the MLE and other biased estimators in scenarios characterized by multicollinearity.
In conclusion, the Liu-type estimator for PMQLRM is presented as a more efficient alternative to the traditional PMQLMLE, particularly in the presence of multicollinearity. The simulation results indicate that the performance of the estimators is influenced by factors such as predictor correlation, sample size, and overdispersion levels. The PMQLLTE, based on Liu-type parameters, demonstrated superior reliability across all simulated scenarios. Additionally, real-world applications confirmed its effectiveness, especially when utilizing Liu-type parameters (k2) and (d2). The authors recommend PMQLLTE for analyzing overdispersed count data with strong correlations among explanatory variables and suggest future research to develop a robust version of the Liu-type estimator to further address outliers and multicollinearity.
Discussion
In this section, the authors discuss the development and evaluation of the Poisson-modification of the quasi-Lindley Liu-type estimator (PMQLLTE) within the Poisson-modified quasi-Lindley regression model (PMQLRM) framework. The PMQLLTE incorporates two shrinkage parameters, $k$ and $d$, to effectively address multicollinearity issues. The estimator is defined as:
\[
\beta_{PMQLLTE} = (C + kI_a)^{-1} (C + kdI_a) \beta_{PMQLMLE}
\]
where $C$ is the covariance matrix, $I_a$ is the identity matrix, and $\beta_{PMQLMLE}$ is the maximum likelihood estimator. The section also outlines the bias and variance-covariance matrix of the PMQLLTE, leading to the derivation of its mean squared error (MSE) and minimum mean squared error (MMSE).
Theoretical comparisons indicate that PMQLLTE outperforms existing estimators, such as PMQLMLE, PMQLRRE, and PMQLLE, particularly in scenarios with high multicollinearity and overdispersion. The authors support their findings with a Monte Carlo simulation study, which demonstrates that PMQLLTE consistently achieves the lowest MSE across various conditions, including different sample sizes and levels of multicollinearity. Additionally, real-data applications using datasets from Swedish and French football leagues further validate the effectiveness of PMQLLTE, highlighting its robustness and adaptability in practical scenarios. Overall, the proposed estimator is recommended for analyzing count data characterized by overdispersion and multicollinearity.