عباس امینی فسخودی؛ عباس امینی فسخودی؛ جعفر خورسندی؛ شکرالله حمدحیدری
دوره 20، شماره 1 ، بهار 1388، ، صفحه 91-100
چکیده
چکیده پیش‌بینی و برآورد و به‌تبع آن تحلیل‌های رگرسیونی همواره جایگاه خاص و کاربرد گسترده‌ای در مطالعات حوزه‌های مختلف علوم اجتماعی داشته است. از طرفی بکارگیری این روش‌ها نیز مستلزم پیش‌فرض‌هایی ...
بیشتر
چکیده پیش‌بینی و برآورد و به‌تبع آن تحلیل‌های رگرسیونی همواره جایگاه خاص و کاربرد گسترده‌ای در مطالعات حوزه‌های مختلف علوم اجتماعی داشته است. از طرفی بکارگیری این روش‌ها نیز مستلزم پیش‌فرض‌هایی است که کمتر مورد توجه قرار گرفته و در اغلب موارد، بخصوص در علوم انسانی چندان قابل کنترل هم نیستند. مقاله حاضر سعی دارد تا با استفاده از منطق بنیادین رویکرد ریاضی برنامه‌ریزی آرمانی ( GP ) و روش‌های خطی بهینه‌یابی، بدیلی برای مدل‌های رگرسیون معمولی ( LSM ) ارایه نماید که کمتر به توزیع داده‌ها حساس بوده و در مقابل توزیع‌های غیرنرمال و بویژه وجود داده‌های پرت، از تنومندی بیشتری برخوردار بوده و نتایج معتبری ارایه نماید. پس از معرفی مدل مذکور با عنوان رگرسیون حداقل مقادیر مطلق خطا ( LAV )، دو مدل فوق بر روی داده‌های حاصل از مطالعه‌ای در حوزه برنامه‌ریزی و توسعه روستایی (تحلیل عوامل مؤثر بر مشارکت روستاییان در طرح‌های توسعه روستایی در شهرستان کرمانشاه) به‌کمک نرم‌افزارهای SPSS و LINDO اجرا شدند. مقایسه نتایج حاصل، حاکی از افزایش دقت برآوردهای مدل LAV در مقایسه با رگرسیون مجموع مجذورات است، بطوری که ضرایب تمامی متغیرهای مستقل (بجز متغیر سن با ضریبِ نزدیک به صفر در هر دو مدل)، بخصوص متغیرهای اعتماد اجتماعی و انسجام اجتماعی در این مدل افزایش قابل ملاحظه‌ای داشته‌است. با مطالعه عناصر بردارهای خطای برآورد در دو روش فوق نیز ملاحظه می‌شود که در ده مورد از دوازده روستای نمونه خطای برآورد در مدل اخیر صفر می‌باشد، در حالی که هیچکدام از مقادیر خطا در مدل LSM صفر نیستند و به‌عبارتی هیچکدام از مشاهدات دقیقاً بر روی خط رگرسیونی قرار نمی‌گیرند. به این ترتیب ملاحظه می‌شود که مدل LAV با بهره‌گیری بیشتر از داده‌های جمع‌آوری شده و اطلاعات موجود، برآوردهای بهتر و دقیق‌تری را از پدیده‌ها و مقولات مورد مطالعه به دست می‌دهد.
