Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/43949
| Title: | การเปรียบเทียบประสิทธิภาพการพยากรณ์และการคัดเลือกตัวแปรของวิธีเพิ่มลดตัวแปรแบบขั้นตอน วิธีแลสโซ่ วิธีอีลาสติคเน็ต และวิธีแลสโซ่ปรับปรุง สำหรับผลกระทบขนาดเล็กและมีค่าสัมประสิทธิ์บางตัวเป็นศูนย์ |
| Other Titles: | COMPARING THE PREDICTION ACCURACY AND SUBSET SELECTION PERFORMANCES OF STEPWISE, LASSO, ELASTIC NET AND ADAPTIVE LASSO FOR SMALL AND SPARSE SIGNALS. |
| Authors: | ทิฆัมพร สาระกอ |
| Advisors: | นัท กุลวานิช |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี |
| Advisor's Email: | [email protected] |
| Subjects: | สถิติวิเคราะห์ ตัวแปร (คณิตศาสตร์) Variables (Mathematics) |
| Issue Date: | 2556 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | การวิจัยในครั้งนี้ มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของวิธีการคัดเลือกตัวแปรอิสระเข้าสู่ตัวแบบการถดถอยที่มีลักษณะข้อมูลขนาดเล็กและมีค่าสัมประสิทธิ์การถดถอยบางตัวเป็นศูนย์ ด้วยวิธีเพิ่มลดตัวแปรแบบขั้นตอน วิธีแลสโซ่ วิธีอีลาสติคเน็ต และวิธีแลสโซ่ปรับปรุง โดยใช้ค่าเฉลี่ยความผิดพลาดในการตรวจจับเชิงบวก ค่าเฉลี่ยความผิดพลาดในการตรวจจับเชิงลบ และค่าเฉลี่ยของค่าคลาดเคลื่อนสัมบูรณ์โดยเฉลี่ยเป็นเครื่องมือในการวัดประสิทธิภาพของการคัดเลือกตัวแปร โดยที่การคัดเลือกตัวแปรวิธีใดที่ให้ค่าของเกณฑ์ทั้ง 3 ต่ำสุดโดยสอดคล้องกันจะถือว่าการคัดเลือกตัวแปรวิธีนั้นเป็นวิธีที่มีประสิทธิภาพและเหมาะสมกับข้อมูลที่จำลองขึ้นมามากที่สุด ผลการวิจัยพบว่า การคัดเลือกตัวแปรด้วยวิธีแลสโซ่ปรับปรุงนั้นให้ประสิทธิภาพดีที่สุดในหลายสถานการณ์ แต่สำหรับกรณีที่ร้อยละของจำนวนค่าสัมประสิทธิ์การถดถอยที่แท้จริงมีค่าไม่เป็นศูนย์เมื่อเทียบกับจำนวนตัวแปรอิสระอยู่ในระดับสูง การคัดเลือกตัวแปรด้วยวิธีอีลาสติคเน็ตจะให้ประสิทธิภาพที่ดีกว่าการคัดเลือกตัวแปรด้วยวิธีแลสโซ่ปรับปรุง |
| Other Abstract: | This study aimed to compare the performances of the subset selection methods: Stepwise, Lasso, Elastic Net and Adaptive Lasso for small and sparse signals. The criteria for the performance measuring are False Positive, False Negative and Mean Absolute Error. The Variable selection method that provides a value of 3 minimum criteria will be considered as the best method and fit with data are simulated most. The results showed the Adaptive Lasso offers the best performance in many situations. In case of the percentage of the sparse coefficients low, Elastic Net provides better performance than Adaptive Lasso. |
| Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2556 |
| Degree Name: | วิทยาศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | สถิติ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/43949 |
| URI: | http://doi.org/10.14457/CU.the.2013.1402 |
| metadata.dc.identifier.DOI: | 10.14457/CU.the.2013.1402 |
| Type: | Thesis |
| Appears in Collections: | Acctn - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 5581543626.pdf | 3.06 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.