برآورد پارامترهاي مدل رگرسيون لوژستيك به كمك آنتروپي ماكسيمم تعميم يافته

Estimation of Logistic Regression Model Parameters Using Generalized Maximum Entropy

هنگام كار با يك مجموعه داده رگرسيوني ممكن است برخي شرايط برقرار نباشند و محدوديت‌هايي براي اجراي مدل رگرسيون به وجود آيند. روش آنتروپي تعميم‌يافته ماكسيمم قادر است پارامترهاي مدل رگرسيوني را بدون اعمال هيچ شرطي روي توزيع احتمال خطاها برآورد كند. اين روش حتي در مواردي كه حجم نمونه خيلي كم است و يا بين متغيرهاي مستقل، هم‌خطي بالايي وجود داشته باشد قادر به برآورد پارامترهاي مدل است و لذا روشي توانمندي است. در اين پژوهش قصد بر آن است پارامترهاي مدل لجستيك دودويي با به‌كارگيري آنتروپي تعميم‌يافته ماكسيمم (GME) برآورد شود و نتايج آن با روش ماكسيمم درستنمايي (ML) براساس معيار ميانگين مربعات خطا(MSE) مقايسه شود. بدين‌منظور نمونه‌اي تصادفي به حجم 399 نفر از اطلاعات مشتريان بانك مانند سن، شغل، وضعيت تأهل، ميزان تحصيلات و وام به‌عنوان متغيرهاي مستقل و تقاضاي مشتري براي افتتاح حساب مدّت‌دار به‌عنوان متغير وابسته جمع‌آوري شد. درنهايت با توجه به مقدار MSE نتيجه گرفته شد كه روش GME نسبت به روش ML دقيق‌تر است.

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.