AI Summary & Key Takeaways
AI InsightHow the error rate is affected by parameter estimators ML, MOM and LS is examined with the simulation study.
📌 3 Key Takeaways
Abstract
Discriminant analysis is defined as a statistical technique that classifies a unit whose properties are measured, into one of the known finite numbers of populations. In this classifying process, an error occurs when the unit is classified to different population from its own population. This error is called the error rate or the probability of incorrect classification. It is desirable to minimize this error. This study focuses on determining the parameter estimation method that provides the minimum error rate, when the parameters of Weibull populations are not known. Maximum likelihood (ML), moments (MOM) and least squares (LS) methods are chosen from among parameter estimation methods. How the error rate is affected by parameter estimators ML, MOM and LS is examined with the simulation study.
Özet
Diskriminant analizi, özellikleri ölçülen bir birimi, bilinen sonlu sayıdaki kitlelerden birine sınıflandıran istatistiksel bir teknik olarak tanımlanır. Bu sınıflandırma işleminde, birim kendi kitlesinden farklı kitleye sınıflandırıldığında bir hata meydana gelir. Bu hata, hata oranı veya yanlış sınıflandırma olasılığı olarak adlandırılır. Arzu edilen bu hatayı minimum yapmaktır. Bu çalışmada Weibull dağılımlı kitlelerde parametrelerin bilinmediği durumda, minumum hata oranıyla atama yapan parametre tahmin yönteminin belirlenmesi üzerinde durulmaktadır. Parametre tahmin yöntemlerinden; en çok olabilirlik (ML), moment (MOM) ve en küçük kareler (LS) yöntemi seçilmiştir. Simülasyon çalışması ile hata olasılığının ML, MOM ve LS parametre tahmin edicilerinden nasıl etkilendiği incelenmiştir.