AI Summary & Key Takeaways
AI InsightIt was hypothesized that, given the high degree of multicolinearity of the predictor variables, biased estimation techniques would provide more stabilized coefficient and less standard errors than would the LS technique.\r\n
📌 3 Key Takeaways
Abstract
\r\n The purpose of this paper is to examine the effectiveness of applying biased estimation techniques (RR and PC) over Least Squares (LS) technique. For this purpose, the relative predictive validity of three regression techniques was compared using the weight data to study the linear relation of dependent variable to predictor variables. It was hypothesized that, given the high degree of multicolinearity of the predictor variables, biased estimation techniques would provide more stabilized coefficient and less standard errors than would the LS technique.\r\n
Özet
\r\n Bu çalışmanın amacı, beden ağırlığının tahmin edilmesinde yanlı tahmin tekniklerinin [Ridge Regression (RR) ve Principal Component (PC)] enküçük kareler [Least Squares (LS)] tekniğine karşı etkinliğini araştırmaktır. Bu amaçla beden ağırlığı ile açıklayıcı değişkenler arasındaki doğrusal ilişkinin tahmininde LS ve yanlı tahmin tekniklerinin (RR ve PC) göreceli tahmin geçerlilikleri karşılaştırılmaktadır. Araştırmada, bağımsız değişkenler arasındaki yüksek çoklu doğrusal bağlantı problemine dayanarak RR ve PC tekniklerinin LS tekniğine göre daha düşük standart hatalı, durağan ve kuramsal beklentilere uygun tahminler sağlayacağı beklenmiştir.\r\n