توزیع بتا برای مدل بندی داده هایی که به صورت نسبت هستند، توزیع مناسبی است. در موارد زیادی که داده های نسبت شامل تعداد زیادی صفر و یک هستند، توزیع های بتای آماسیده مناسب هستند. در صورتی که احتمال ثبت چنین مشاهده هایی متناسب با یک تابع وزن نامنفی از آن ها باشد، آن مشاهده ها دارای توزیع موزون بتای آماسیده هستند. تمرکز این مقاله روی توزیع اریب اندازه بتای آماسیده به عنوان یک حالت خاص از توزیع موزون بتای آماسیده با وزن توانی است. خواصی از این توزیع مطالعه و پارامترهای آن به روش های ماکسیمم درستنمایی و گشتاوری برآورد و با استفاده از مطالعه شبیه سازی دو روش مقایسه می شوند. در پایان مدل مفروض به داده های واقعی نسبت مرگ و میر برازش داده می شوند.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله، چگالی متقارن شده توزیع های نوع I و II بتای ماتریس متغیر ناتکین نامرکزی دوگانه را تحت تعریف های متفاوت تعیین می کنیم.

در این مقاله، یک بازه تحمل تقریبی برای توزیع گسسته پواسون-لیندلی اندازه-اریب ارائه می شود. این بازه تحمل تقریبی، بر اساس بازه اطمینان والد با نمونه های بزرگ برای پارامتر توزیع پواسون-لیندلی اندازه-اریب ساخته می شود. سپس به مطالعه احتمال پوشش و طول مورد انتظار بازه تحمل ارائه شده پرداخته می شود. نتایج نشان می دهند که احتمال های پوشش برای مقادیر کوچک پارامتر توزیع، رفتار بهتری دارد و به سطح اطمینان اسمی نزدیکتر است و برای مقادیر بزرگتر پارامتر، رفتار محافظه کارانه ای دارد. در پایان، یک مثال کاربردی برای نمایش بازه تحمل تقریبی ارائه خواهد شد.

بروز خطا در فرآیند جمع آوری پایه های آماری و تدوین جداول داده-ستانده متقارن اجتناب ناپذیر است و همین موضوع سبب شده است تا تصادفی بودن آمارهای مندرج در جداول داده-ستانده، به عنوان یکی از مباحث اساسی در ادبیات اقتصاد داده-ستانده مطرح شود.پژوهشگران خارجی در مطالعات نظری اثبات کرده اند که اگر ماتریس ضرایب فنی، تصادفی باشد، ضرایب فزاینده تولید لئونتیفی دارای اریب مثبت خواهند بود. هر چند یافته های مطالعات کابردی (که مشتمل بر رویکرد کاربران و تدوین کنندگان است)، نتیجه فوق را تایید می کنند، اما نشان می دهند که میزان این اریب، بسیار ناچیز است و می توان از آن چشم پوشی کرد. در این مطالعه، رویکرد کاربران و تدوین کنندگان را در خصوص تجزیه و تحلیل تصادفی داده-ستانده و برآورد میزان اریب ضرایب فزاینده تبیین کرده و با استفاده از شبیه سازی مونت کارلو و رویکرد تدوین کنندگان به برآورد میزان اریب ضرایب فزاینده تولید و تاثیر اندازه نمونه بر آن خواهیم پرداخت. یافته های این مقاله حاکی از آن است که اولا به موازات افزایش حجم نمونه از میزان اریب ضرایب فزاینده کاسته می شود. دوما هر چه بر اندازه نمونه افزوده می شود، درصد بیشتری از درایه های ماتریس ضرایب فزاینده تولید با اریب مثبتی مواجه خواهند شد. سوما در اندازه های بزرگ نمونه، تمامی ضرایب فزاینده دارای اریب مثبت و معنی داری هستند که در راستای نتایج و یافته های مطالعات تحلیلی قرار دارد، هر چند که میزان این اریب بسیار کوچک است.

بیشتر تحلیل گران در بررسی طرح ها و شرکت ها از نرخ تنزیلی استفاده می کنند که برگرفته از مدل CAPM است. بتای این مدل عموما نماینده ریسک ها و فرصت های آن صنعت است که تقریبا بدون هیچ توجهی به ریسک ها و فرصت های موجود در طرح یا شرکت مورد بررسی بدست آمده است. این بی توجهی به اندازه گیری صحیح ریسک موجب اندازه گیری اشتباه نرخ تنزیل و در نهایت ارزیابی نادرست و کاهش ارزش صاحبان سرمایه می گردد. در بسیاری از مواقع با اصلاح اثر فرصت ها و ریسک ها در بتای مورد استفاده، نتایج ارزیابی تفاوت چشم گیری خواهد داشت. هدف پژوهش حاضر، سنجش دقیق تر ریسک سیستماتیک طرح ها و شرکت ها با در نظر گرفتن ریسک و فرصت رشد آنها است. در این پژوهش با بکارگیری بازده ماهانه 10 ساله تمامی شرکت ها و صنایع بورسی و فرابورسی، بتای تعدیل شده مدل برناردو و همکاران برای تمامی صنایع محاسبه و به طور مجزا برای هر صنعت بتای فرصت رشد و بتای دارایی های موجود تخمین زده شد. سپس با ترکیب تیوری خاکستری، امکان بهبود مدل فوق بررسی گردید و بتای فرصت رشد و بتای دارایی های موجود خاکستری شده برای تمامی صنایع ارایه شد. در نهایت استواری متغیرهای مورد استفاده با آزمون های وو-هاوسمن و دوربین و قدرت متغیرها با استفاده از آزمون والد مورد بررسی قرار گرفت. نتایج تحقیق نشانگر عملکرد بهتر مدل خاکستری شده برناردو و همکاران نسبت به مدل اصلی است. بتای محاسبه شده می تواند در سنجش دقیق تر ریسک شرکت ها و صنایع، محاسبه نرخ تنزیل شرکت ها، استارت آپ ها و پروژه ها و در نهایت ارزش گذاری آنها بکار گرفته شود.

یکی از مسائل مهم مطالعات طولی، داده هایی هستند که به دلیل گم شدن ملاقات ها یا انصراف از دست می روند. در چنین حالاتی آزمودنی ها مجموعه زمان های مشاهده یکسانی ندارند. مسئله گم شدگی در تحلیل داده های آمیخته گسسته و پیوسته طولی نیز بسیار رایج است و ممکن است گم شدگی در یکی از پاسخ ها و یا هر دو رخ دهد. عدم توجه به دلیل گم شدن (سازوکار گم شدگی) منجر به برآوردها و استنباط های اریب می شود. بنابراین در این مقاله به بررسی سازوکار گم شدن غیرقابل چشم پوشی در پاسخ های آمیخته طولی مجموعه آماسیده پیوسته و آماسیده در صفر سری توانی و همچنین پاسخ های آمیخته پیوسته و k-آماسیده ترتیبی پرداخته می شود. با یک رویکرد درستنمایی مبنا برآوردهای مدل های پیشنهادی را به دست می آید. عملکرد مدل ها را با مطالعات شبیه, سازی و دو مجموعه داده واقعی تغییرات زندگی آمریکایی ها و آزمون موفقیت فردی پیبادی مورد بررسی قرار می گیرد.