نویسندگان

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 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.

کلیدواژه‌ها

عنوان مقاله [English]

Adjustment of Conventional Regression Methods by Using of Goal rogramming Models and it's Application in Human Sciences

نویسندگان [English]

  • A. Amini Fasakhodi
  • J. Khorsandi
  • Sh. HamdHeidari

چکیده [English]

  Abstract   Inspite of the wide spread use of regression models in most areas of social sciences, the necessary prerequisities of them less be noticed and often are uncontrolable in these areas. The aim of this article is introducing a substitute for the Least Square regression (LSM) models by using of mathematical bases of goal programming and optimization techniques, with less sensitivity against of non-normal distributions and especially more robustness for outlier data. In the following of introducing the mentioned model called Least Absolute Values (LAV) regression, two models tested on data of a rural development study of influential factors on rurals participation in developmental projects in Kermanshah city, by using of SPSS and LINDO softwares respectively. Results showed the more precise estimations in LAV approach for independent variables cofficients compared with the LSM. Also the residuals of the LAV model estimations are 0 at 10 cases of 12 studied villages, whereas no one of the LSM estimates are 0. So, with the better use of collected data, the LAV approach leads to the better and nore accurate estimations.  

کلیدواژه‌ها [English]

  • Keywords: Regression
  • Goal programming
  • LSM
  • LAV
  • Rural Development and Participation