انتخاب مدل غيرآشياني در مدل هاي رگرسيوني با باقي مانده سري هاي زماني نامنفي

Non-Nested Model Selection in Regression Models with Non-Negative Time Series Residual

يكي از فرضيات معمول در مدل هاي رگرسيوني، نرمال و مستقل بودن مانده ها و آشياني بودن مدل هاي تحت بررسي است. اما در عمل، با مدل هاي غيرآشياني و خطاهاي همبسته نامنفي نيز مواجه مي شويم. در اين مقاله، انتخاب مدل براي مدل هاي رگرسيوني غيرآشياني با باقي مانده خودبازگشتي نامنفي با توزيع هاي گاما، وايبل و لگ-نرمال به عنوان مدل هاي رقيب در نظر گرفته شده است. به دلايل فني پارامترهاي موجود در مدل ها با استفاده از روش برآورديابي درست نمايي ماكسيمم تعميم يافته برآورد مي شوند. سپس با مطالعه شبيه سازي، مدل رگرسيوني بهينه با خطاي سري هاي زماني خودبازگشتي نامنفي به وسيله مقايسه معيارهاي انتخاب مدل، تعيين مي شود.

Normality hypothesis and independence of residuals are the usual assumptions for re- gression models. But in practice، sometimes we are faced with non- negative autocorrelated residuals case. This paper discuss the problem of model selection for regression model with non-negative autoregressive residuals، Among the non-negative distributions، we consider، Gamma،Weibull، Log-normal distributions as rival models.We have derived the modified maximum likelihood estimators as efficient alternative for estimating model parameters. Finally‎، ‎using simulation،we try to choose the optimal regression model with non-negative autoregressive residuals by comparing the ability of some model selection criteria‎.