پیش بینی غیبت کارکنان با استفاده از دو روش رگرسیونی کمترین مجذورهای متداول و توبیت

پیش‌بینی غیبت کارکنان با استفاده از دو روش رگرسیونی کمترین مجذورهای متداول و توبیت

یافته‌های پـژوهشی حاصل از روش رگرسیون کمترین مجذورهای متداول (OLS) دربـاره غیبت کارکنان، به‌ویژه به‌دلیل همبستـگی متغیرهای پیش‌بینی‌کننده مـورد انتقاد قـرار گرفتـه است. در این پژوهش نتایـج پیش‌بینی غیبت کارکنان بر پایه چهار متغیر دلبستگی شغلی، غیبت در مقایسه بادیگران، تنیدگی رویدادهای زندگی و تعداد فرزندان، با دو روش رگرسیونی کمترین مجذورهای متداول (OLS) و تحلیل توبیت (Tobit) مقایسه شد. 197 نفر...

بهبود روش کمترین توان‌های دوم دو مرحله‌ای در مدل‌های رگرسیونی با متغیر درون‌زا

حضور متغیرهای درون‌زا در مدل‌های آماری ناسازگاری و اریبی برآوردگرهای معمول پارامترهای مدل را به دنبال دارد. روش‌های متعددی در این حالت ارائه شد که مشکل ناسازگاری و اریبی را تنها برای حالت بزرگ نمونه‌ای حل کرده‌اند. یکی از این روش‌ها مبتنی بر استفاده از متغیر ابزاری است که باعث حذف درون‌زایی متغیر مورد مناقشه می‌شود. روشی دیگر برای برآورد پارامتر مدل‌های رگرسیون درون‌زا، روش کمترین توان‌های دوم ...

پیش بینی روندها با استفاده از تجزیه و تحلیل رگرسیونی راهنمایی برای مدیران کتابخانه ها

پیش بینی قیمت نفت با استفاده از روش متا آنالیز

نفت یک کالای مهم اقتصادی و قیمت آن در بازارهای بین‌المللی بسیار اثرگذار و توانایی ارائه پیش‌بینی صحیح از وضعیت قیمت آن یکی از چالش‌های مهم علمی در سراسر جهان است. این مقاله به پیش‌بینی قیمت نفت با استفاده از روش متا آنالیز و مقایسه آن با سایر روش‌ها می‌پردازد. در این تحقیق از نتایج روش‌های ARMA،AR فازی، تاناکا فازی، حداقل مربعات فازی، شبکه عصبی، داده‌های شبیه‌سازی شده و داده‌کاوی مربوط به قیمت‌...

پیش بینی بازده سهام با استفاده از روش انقباضی LASSO

انتخاب متغیر، یکی از مراحل مهم در مدل­سازی آماری است. برای این منظور، معمولاً از روش­هایی نظیر حذف پسرو استفاده می­شود. از آنجایی که در این روش­ها دو مرحله ی برآورد مدل و انتخاب متغیر به طور جداگانه صورت می­گیرد، نتیجه­ی حاصل بی­ثبات خواهد بود. به همین دلیل اخیراً گروه دیگری از روش­های انتخاب متغیر به نام روش­های انقباضی مطرح شده­اند که در این بین، LASSO از محبوبیت ویژه­ای برخوردار است. در این تح...

پیش بینی حجم کوفتگی سیب با استفاده از شبکه عصبی تابع پایه شعاعی RBF ( و مقایسه آن با مدل رگرسیونی)