تعیین رابطه گنگی در مدل های رگرسیون: نمونه ای از نظارت بر توانایی پرداخت بیمه گر در آلمان

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تعیین رابطه گنگی در مدل های رگرسیون: نمونه ای از نظارت بر توانایی پرداخت بیمه گر در آلمان

عنوان لاتین

Detecting fuzzy relationships in regression models: The case of insurer solvency surveillance in Germany

ما تستی برای گنگی ضرایب رگرسیون بر پایه مدل های رگرسیون گنگ ممکن تاناکا (1982) و هه (2007) انجام دادیم. پراکندگی ضرایب رگرسیون را به عنوان اندازه گیری های آماری گنگی رابطه بین متغیر مستقل و متغیر وابسته یافتیم. ما توزیع تست را بر پایه فرضیه های بی ارزش، که پراکندگی ها از تخمین رگرسیون ممکن که داده های آن از مدل رگرسیون کلاسیک با خطاهای تصادفی به دست آمده بودند، استنباط کردیم. برای مثال، نشان می دهیم که تست ما چگونه یک ضریب رگرسیون گنگ را در مدل پیش بینی توانایی پرداخت برای شرکتهای بیمه آلمان، مشخص می کند.

Wedevelop a test for the fuzziness of regression coefficients based on the Tanaka et al. (1982) and He et al. (2007) possibilistic fuzzy regression models. We interpret the spread of the regression coefficients as a statistic measuring the fuzziness of the relationship between the corresponding independent variable and the dependent variable. We derive test distributions based on the null hypothesis that such spreads could have been obtained by estimating a possibilistic regression with data generated by a classical regression model with random errors. As an example, we show how our test detects a fuzzy regression coefficient in a solvency prediction model for German propertyliability insurance companies