دانلود مقالات ISI درباره رگرسیون چندکی + ترجمه فارسی

رگرسیون چندکی (Quantile regression) برای بررسی ارتباط دو متغیر، معمولا رگرسیون حداقل مربعات(ols) به کارگرفته می شود. . رگرسیون چندک، رابطه چندک دلخواهی از توزیع متغیر وابسته را با متغیرهای تشریحی از طریق مدل آماری تبیین می کند. مدل رگرسیون کمینه مربعات، ارتباط بین میانگین شرطی یک متغیر پاسخ برحسب یک یا چند متغیر توضیحی را بیان می کند و با وجود اینکه محبوب ترین تحلیل رگرسیونی است گاهی عملکرد ضعیفی دارد. هنگامی که توزیع خطا غیر نرمال است به ویژه در توزیع های با دنباله های بلند و نامتقارن، همچنین در صورت وجود ناهمگنی واریانس، برآوردگرهای کمینۀ مربعات به داده های دور افتاده خیلی حساس بوده و این مورد منجر به برآوردهای اریب می گردد. رگرسیون چندک، تکنیکی است که می تواند بر محدودیت های یاد شده غلبه نماید. این مدل که توسط کاونکر و باست در سال ۱۹۷۸ معرفی گردید به تدریج به روش جامعی برای تجزیه و تحلیل آماری مدل های خطی و غیرخطی متغیرهای پاسخ، در زمینه های مهتلف تبدیل گردید. به عنوان نمونه چندک های وزن، معیار مناسبی برای تشخیص مشکلات تغذیه ای کودکان و بررسی وزن آنها در طول زمان می باشد. برای بررسی عوامل مؤثر در کم بودن وزن هنگام تولد (وزن کمتر از ۲۵۰۰ گرم)، رگرسیون معمولی نمی تواند اندازۀ اثرات عوامل را در انتهای سمت چپ توزیع وزن نشان دهد. با استفاده از رگرسیون چندک و برآورد یک خانواده از توابع چندک شرطی، شکل های کاملتری از اثر متغیرهای توضیحی در تمام قسمت های توزیع به دست می آید. انگیزۀ اصلی به کارگیری رگرسیون چندک این است که با نگاهی دقیق و جامع در ارزیابی متغیر پاسخ، مدلی ارائه شود تا امکان دخالت متغیرهای مستقل، نه تنها در مرکز ثقل داده ها، بلکه در تمام قسمت های توزیع به ویژه در دنباله های ابتدایی و انتهایی فراهم گردد، بدون اینکه با محدودیت مفروضات رگرسیون معمولی، ناهم واریانسی و حضور تاثیرگذار داده های دورافتاده در برآورد ضرایب رو به رو باشیم. در واقع رگرسیون چندک تعمیم مفهوم یک چندک به چندک شرطی می باشد؛ وقتی یک یا چند متغیر توضیحی وجود دارد. در مقایسه با روش های رگرسیون کمینه مربعات که در آن برآورد توابع شرطی میانگین بر پایۀ مینیمم کردن مجموع مربعات باقی مانده ها انجام می گیرد، روش های رگرسیون چندک براساس مینیمم کردن نامتقارن قدرمطلق موزون باقیمانده ها و با هدف برآورد توابع شرطی میانه و دامنۀ وسیعی از سایر توابع شرطی چندک مطرح می گردد. با رگرسیون حداقل مربعات ارتباط بین متغیرهای کمکی و میانگین پاسخ شرطی را می توان برآورد کرد، اما این روش مثل بسیاری از روش های آماری دارای محدودیت هایی می باشند. رگرسیون حداقل مربعات در صورت وجود داده های پرت یا برقرار نبودن فرض نرمال بودن داده ها، برای تخمین ارتباط بین متغیر کمکی و متغیر پاسخ اعتبار کافی نخواهد داشت. از طرفی رگرسیون حداقل مربعات تنها ارتباط بین متغیرهای کمکی و میانگین پاسخ را بررسی می کند، درحالی که در بسیاری موارد هدف پیدا کردن ارتباط بین متغیرهای کمکی با سایر بخشهای توزیع به ویژه چندک های انتهایی توزیع می باشد. رگرسیون چندکی یک روش آماری با قابلیت محاسبه و رسم منحنی های رگرسیونی متفاوت و منطبق با نقاط صدکی مختلف میباشد، که ضمن بیان تصویری کامل تر و جامع تر از داده ها، امکان سنجش ارتباط متغیرهای مستقل با چندک های مورد نظر متغیر وابسته را بدون نیاز به نرمال بودن داده ها و حتی در حضور نقاط دور افتاده فراهم میکند یعنی این رگرسیون نسبت به داده های دورافتاده نیرومند می باشد. از سوی دیگر برخلاف رگرسیون حداقل مربعات که روی میانگین شرطی یعنی پارامتر مکان متمرکز است، رگرسیون چندکی استراتژی منظمی را برای تعیین چگونگی تاثیر متغیرهای مستقل روی مکان و مقیاس و شکل توزیع پیشنهاد می کند. مزایای استفاده از رگرسیون چندکی: پیدا کردن ارتباط بین متغیرهای کمکی با سایر بخش های توزیع به ویژه چندکهای انتهایی توزیع می باشد. نیازی به شرط نرمال بودن ندارد. نسبت به داده های دور افتاده نیرومند است چگونگی تاثیر متغیرهای مستقل روی مکان و مقیاس و شکل توزیع را نشان می دهد. رگرسیون چندک دارای محدودیت هایی نیز می باشد که از آن جمله می توان به غیر واقعی بودن خطی فرض کردن چندک ها اشاره نمود که تعیین متغیرهای پیشگوی مناسب را با مشکل مواجه می سازد. محدودیت دیگر این است که در برآورد چندک های متعدد، احتمال تقاطع چندک ها وجود دارد، به ویژه زمانی که تعداد متغیرهای پیشگو زیاد و یا تعداد داده ها کم باشد.