Published March 1, 2023 | Version v1
Publication Metadata-only

Kibria–Lukman estimator for the Conway–Maxwell Poisson regression model: Simulation and applications

Creators

  • 1. Cairo University
  • 2. King Saud University

Description

The Conway–Maxwell Poisson (COMP) regression model is one of the count data models to account for over– and under–dispersion. In regression analysis, when the explanatory variables are correlated, when there is multicollinearity problem, this inflates the standard error of the maximum likelihood estimates. The Kibria–Lukman estimator was provided to handle the effect of multicollinearity in the linear regression model. Therefore, we proposed to extend this estimator to the COMP model to overcome this problem in the COMP model. The proposed estimator mitigates the adverse effect of multicollinearity on the standard error of the estimates. We used the mean squared error (MSE) as the performance assessment criterion to assess the performance of the proposed estimator and others. Also, we compared the proposed estimator theoretically with other estimators (the ridge and Liu estimators). We employed a simulation study and two life applications to study the performance of the proposed estimator. The simulation study and applications results showed the superiority of the proposed estimator because the MSE of the proposed estimator is smaller than the other estimators.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعد نموذج انحدار كونواي- ماكسويل بواسون (COMP) أحد نماذج بيانات العد لمراعاة التشتت الزائد أو الناقص. في تحليل الانحدار، عندما تكون المتغيرات التفسيرية مترابطة، عندما تكون هناك مشكلة خطية متعددة، فإن هذا يضخم الخطأ القياسي لتقديرات الاحتمال الأقصى. تم توفير مقدر كيبريا- لوكمان للتعامل مع تأثير الخطية المتعددة في نموذج الانحدار الخطي. لذلك، اقترحنا توسيع هذا المقدر ليشمل نموذج COMP للتغلب على هذه المشكلة في نموذج COMP. يخفف المقدر المقترح من التأثير السلبي للتعدد الخطي على الخطأ القياسي للتقديرات. استخدمنا متوسط الخطأ التربيعي (MSE) كمعيار لتقييم الأداء لتقييم أداء المقدر المقترح وغيره. كما قارنا المقدر المقترح نظريًا مع المقدرين الآخرين (مقدرو الحافة و LIU). استخدمنا دراسة محاكاة وتطبيقي حياة لدراسة أداء المقدر المقترح. أظهرت دراسة المحاكاة ونتائج التطبيقات تفوق المقدر المقترح لأن MSE للمقدر المقترح أصغر من المقدرين الآخرين.

Translated Description (French)

Le modèle de régression de Conway-Maxwell Poisson (COMP) est l'un des modèles de données de comptage pour tenir compte de la sur-dispersion et de la sous-dispersion. En analyse de régression, lorsque les variables explicatives sont corrélées, lorsqu'il y a problème de multicolinéarité, cela gonfle l'erreur type des estimations du maximum de vraisemblance. L'estimateur de Kibria-Lukman a été fourni pour gérer l'effet de la multicolinéarité dans le modèle de régression linéaire. Par conséquent, nous avons proposé d'étendre cet estimateur au modèle COMP pour surmonter ce problème dans le modèle COMP. L'estimateur proposé atténue l'effet négatif de la multicolinéarité sur l'erreur type des estimations. Nous avons utilisé l'erreur quadratique moyenne (MSE) comme critère d'évaluation de la performance pour évaluer la performance de l'estimateur proposé et d'autres. En outre, nous avons comparé l'estimateur proposé théoriquement avec d'autres estimateurs (les estimateurs Ridge et Liu). Nous avons utilisé une étude de simulation et deux applications Life pour étudier les performances de l'estimateur proposé. L'étude de simulation et les résultats des applications ont montré la supériorité de l'estimateur proposé parce que le MSE de l'estimateur proposé est plus petit que les autres estimateurs.

Translated Description (Spanish)

El modelo de regresión de Conway-Maxwell Poisson (COMP) es uno de los modelos de datos de recuento para tener en cuenta la dispersión excesiva y la dispersión insuficiente. En el análisis de regresión, cuando las variables explicativas están correlacionadas, cuando hay un problema de multicolinealidad, esto infla el error estándar de las estimaciones de máxima verosimilitud. Se proporcionó el estimador de Kibria-Lukman para manejar el efecto de la multicolinealidad en el modelo de regresión lineal. Por lo tanto, propusimos extender este estimador al modelo COMP para superar este problema en el modelo COMP. El estimador propuesto mitiga el efecto adverso de la multicolinealidad sobre el error estándar de las estimaciones. Utilizamos el error cuadrático medio (MSE) como criterio de evaluación del rendimiento para evaluar el rendimiento del estimador propuesto y otros. Además, comparamos teóricamente el estimador propuesto con otros estimadores (los estimadores Ridge y Liu). Empleamos un estudio de simulación y dos aplicaciones Life para estudiar el rendimiento del estimador propuesto. El estudio de simulación y los resultados de las aplicaciones mostraron la superioridad del estimador propuesto porque el MSE del estimador propuesto es más pequeño que los otros estimadores.

Additional details

Additional titles

Translated title (Arabic)
مقدر كيبريا- لوكمان لنموذج انحدار كونواي- ماكسويل بواسون: المحاكاة والتطبيقات
Translated title (French)
Estimateur de Kibria-Lukman pour le modèle de régression de Conway-Maxwell Poisson : Simulation et applications
Translated title (Spanish)
Estimador de Kibria-Lukman para el modelo de regresión de Conway-Maxwell Poisson: simulación y aplicaciones

Identifiers

Other
https://openalex.org/W4319988057
DOI
10.1016/j.sciaf.2023.e01553

Is supplement to
https://openalex.org/W4386830465 (Other)
https://openalex.org/W3021510379 (Other)
https://openalex.org/W2737279617 (Other)
https://openalex.org/W2731761402 (Other)
https://openalex.org/W2375720303 (Other)
https://openalex.org/W2350206592 (Other)
https://openalex.org/W2161339348 (Other)
https://openalex.org/W2160772450 (Other)
https://openalex.org/W2036696807 (Other)
https://openalex.org/W1976770238 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Egypt

References

  • https://openalex.org/W1993818816
  • https://openalex.org/W2014664653
  • https://openalex.org/W2020364685
  • https://openalex.org/W2021335009
  • https://openalex.org/W2048001927
  • https://openalex.org/W2050452596
  • https://openalex.org/W2159483927
  • https://openalex.org/W2314246804
  • https://openalex.org/W2342519913
  • https://openalex.org/W2510600205
  • https://openalex.org/W2613018821
  • https://openalex.org/W2896754992
  • https://openalex.org/W2915736441
  • https://openalex.org/W2974855073
  • https://openalex.org/W3022426365
  • https://openalex.org/W3088295586
  • https://openalex.org/W3127301518
  • https://openalex.org/W3132675318
  • https://openalex.org/W3134736113
  • https://openalex.org/W3160342802
  • https://openalex.org/W3168387589
  • https://openalex.org/W3174442837
  • https://openalex.org/W3182655050
  • https://openalex.org/W3191134718
  • https://openalex.org/W3194525491
  • https://openalex.org/W4200437086
  • https://openalex.org/W4210313353
  • https://openalex.org/W4212882607
  • https://openalex.org/W4213021730
  • https://openalex.org/W4213364127
  • https://openalex.org/W4224020312
  • https://openalex.org/W4234698323
  • https://openalex.org/W4308206539