AI Summary & Key Takeaways
AI InsightThe theoretical and simulation results show that the proposed estimator performs better than some existing estimators considered in this study under some conditions, using the mean square error criterion.
📌 3 Key Takeaways
Abstract
The ordinary least square (OLS) estimator is the Best Linear Unbiased Estimator (BLUE) when all linear regression model assumptions are valid. The OLS estimator, however, becomes inefficient in the presence of multicollinearity. To circumvent the problem of multicollinearity, various one and two-parameter estimators have been proposed. This paper a new two-parameter estimator called Liu-Kibria Lukman Estimator (LKL) estimator. The theoretical and simulation results show that the proposed estimator performs better than some existing estimators considered in this study under some conditions, using the mean square error criterion. A real-life application to Portland cement and Longley datasets supported the theoretical and simulation results.
Özet
Sıradan en küçük kareler (OLS) tahmincisi, tüm doğrusal regresyon modeli varsayımları geçerli olduğunda En İyi Doğrusal Yansız Tahmin Edicidir (MAVİ). Bununla birlikte, OLS tahmincisi, çoklu bağlantının varlığında verimsiz hale gelir. Çoklu bağlantı problemini aşmak için çeşitli bir ve iki parametreli tahmin ediciler önerilmiştir. Bu makale, Liu-Kibria Lukman Tahmincisi (LKL) tahmincisi olarak adlandırılan yeni bir iki parametreli tahmin edicidir. Teorik ve simülasyon sonuçları, önerilen tahmin edicinin, ortalama kare hata kriteri kullanılarak bazı koşullar altında bu çalışmada ele alınan bazı mevcut tahmin edicilerden daha iyi performans gösterdiğini göstermektedir. Portland çimentosu ve Longley veri kümelerine yapılan gerçek hayattaki bir uygulama, teorik ve simülasyon sonuçlarını destekledi.