İki düzeyli olasılık modellerinde klasik ve meta sezgisel optimizasyon tekniklerinin performansı üzerine bir çalışma
Yükleniyor...
Dosyalar
Tarih
2016
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Ticaret Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bağımlı değişkenin kategorik olduğu durumda, model parametrelerinin tahmininde kullanılan geleneksel yöntem, En Çok Olabilirlik Tahmin Edicisi (EÇOTE)’dir. Bu yöntemde olabilirlik eşitliklerinin çözümünde, klasik Newton-Raphson (NR) algoritması kullanılmaktadır. Ancak bu algoritma olabilirlik fonksiyonunun diferansiyellenebilir özellikte olduğu durum için uygundur. Bu çalışmada, iki düzeyli bağımlı değişken modellerinde klasik optimizasyon yöntemlerinin uygulanabilmesi için gerekli olan varsayımların sağlandığı durumda optimal parametre tahminlerine ulaşabilmek için NR algoritmasına alternatif olan Genetik Algoritma (GA) yaklaşımının etkinliği araştırılmıştır. Bu amaçla, ilk olarak Alopesia hastalığı verisi kullanılmıştır. Gerçek veri uygulamasına ek olarak yapay bir veri kümesi üzerinden elde edilen sonuçlar da sunulmuştur. Son olarak, yöntemlerin Matlab program kodları ve açıklamaları ayrıntılı bir biçimde verilmiştir.
The traditional method in the parameter estimation when we study with a categorical dependent variable is the Maximum Likelihood Estimator (MLE). In this method, the classical Newton-Raphson (NR) algorithm is used in the solution of the obtained likelihood equations. However, this algorithm is suitable when the likelihood function is defferentiable. In this study, the efficiency of the Genetic Algorithm approach (GA), alternative to the NR algorithm, is investigated for obtaining the optimal parameter values when the required assumptions for the classical optimization techniques are satisfied in the binary dependent variable models. For this purpose, first, data related to the Alepecia disease is used. In addition to the real data application, the simulated data results are also presented. Finally, the Matlab commands and their explanations are given in detail.
The traditional method in the parameter estimation when we study with a categorical dependent variable is the Maximum Likelihood Estimator (MLE). In this method, the classical Newton-Raphson (NR) algorithm is used in the solution of the obtained likelihood equations. However, this algorithm is suitable when the likelihood function is defferentiable. In this study, the efficiency of the Genetic Algorithm approach (GA), alternative to the NR algorithm, is investigated for obtaining the optimal parameter values when the required assumptions for the classical optimization techniques are satisfied in the binary dependent variable models. For this purpose, first, data related to the Alepecia disease is used. In addition to the real data application, the simulated data results are also presented. Finally, the Matlab commands and their explanations are given in detail.
Açıklama
Anahtar Kelimeler
Genetik Algoritma, Lojistik Regresyon, Optimizasyon, Parametre Tahmini, Newton-Raphson, Genetic Algorithm, Logistic Regression, Optimization, Parameter Estimation, Newton-Raphson
Kaynak
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
15
Sayı
30
