[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
اطلاعات نشریه::
آرشیو مجله و مقالات::
ثبت نام و اشتراک::
ارسال مقاله::
پایگاه‌های مرتبط::
برای داوران::
اخلاق در پژوهش::
تماس با ما::
تسهیلات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
Google Scholar Metrics

Citation Indices from GS

AllSince 2020
Citations4918
h-index32
i10-index00
..
ثبت شده در

AWT IMAGE


..
نماد اعتماد الکترونیکی
..
آمار نشریه
تعداد دوره های نشریه: 19
تعداد شماره ها: 38
تعداد مشاهده ی مقالات: 3650146
تعداد دریافت (دانلود) مقالات: 1008118

مقالات دریافت شده: 869
مقالات پذیرفته شده: 366
مقالات رد شده: 493
مقالات منتشر شده: 363

نرخ پذیرش: 42.12
نرخ رد: 56.73

میانگین دریافت تا پذیرش: 399 روز
میانگین دریافت تا اولین داوری: 5.7 روز
میانگین پذیرش تا انتشار: 510.2 روز
____
..
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
کاربرد آمار فازی در مدل‌های طرح آزمایش
مجتبی کاشانی ، رضا قاسمی نجف آبادی*
چکیده:   (27 مشاهده)

در پژوهش‌های آماری، طرح‌های آزمایش، برای بررسی اثر متغیرهای کنترل بر پاسخ‌های خروجی به‌کار می‌روند. این روش‌ها مبتنی بر فرض نرمال‌بودن توزیع داده‌ها بوده و در مواجهه با نقاط دورافتاده با چالش‌های اساسی مواجه می‌شوند. مطالعه حاضر به مقایسه پنج رویکرد مختلف علاوه بر روش کلاسیک طرح آزمایش برای مقابله با این چالش می‌پردازد: روش‌های مقاوم‌سازی شامل هوبر، دو مربعی، میانگین جایگزین،  رتبه‌بندی و رگرسیون فازی.  با ارائه شواهد تجربی از داده‌های واقعی رشد گیاهچه و کیفیت جوشکاری، نشان داده می‌شود رگرسیون فازی می‌تواند به‌عنوان جایگزینی کارآمد برای روش‌های متداول در شرایط وجود نقاط دورافتاده مورد استفاده قرار گیرد. نتایج حاکی از آن است که رویکرد فازی نه‌تنها از روش کلاسیک طرح آزمایش، بلکه از روش‌های مقاوم‌سازی استاندارد نیز در مواجهه با داده‌های دورافتاده عملکرد بهتری دارد.

واژه‌های کلیدی: طرح آزمایش‌ها، رگرسیون فازی، داده دورافتاده، روش‌های مقاوم‌سازی
متن کامل [PDF 307 kb]   (21 دریافت)    
نوع مطالعه: كاربردي و توسعه ای | موضوع مقاله: آمار فازی
دریافت: 1404/1/21 | پذیرش: 1404/2/10
فهرست منابع
1. آریایی‌فر، س. (1397). تأثیر تیمار هیپوکلریت سدیم بر شاخص‌های طولی گیاهچه. مقاله ارائه‌شده در هفتمین کنفرانس ملی مرتع، 19 اردیبهشت 1397، تهران، ایران. مرتعداری ایران، 18.
2. چاچی، ج.، و حسامیان، غ. (1392). مدل‌بندی داده‌های فازی با رگرسیون اسپلاین تطبیقی چندگانه. نشریه علمی-پژوهشی انجمن آمار ایران، مجله علوم آماری، 8(1)، 1-18.
3. قبادی، ش.، و جوانمرد، م. (1385). طراحی و تحلیل آزمایش‌ها در محیط فازی. مقاله ارائه‌شده در اولین کنفرانس ملی نگهداری و تعمیرات.
4. Akbari, M. G., & Hesamian, G. (2019). Elastic Net Oriented to a Fuzzy Semiparametric Regression Model with Fuzzy Explanatory Variables and Fuzzy Responses. IEEE Transactions on Fuzzy Systems, 27(12), 2433-2442. [DOI:10.1109/TFUZZ.2019.2900603]
5. Aryanifar, S. (2018). The effect of sodium hypochlorite treatment on longitudinal indices of seedling. The 7th National Conference on Rangeland and Rangeland Management of Iran, Tehran, Iran.
6. Barnett, V., & Lewis, T. (1994). Outliers in Statistical Data. John Wiley & Sons.
7. Bhatti, S. H., Khan, F. W., Irfan, M., & Raza, M. A. (2023). An Effective Approach Towards Efficient Estimation of General Linear Model in Case of Heteroscedastic Errors. Communications in Statistics-Simulation and Computation. [DOI:10.1080/03610918.2020.1856874]
8. Chachi, J., & Hesamian, G. (2014). Modeling fuzzy data with multiple adaptive spline regression. Journal of Statistical Sciences - Iranian Statistical Society Publication, 8(1), 1-18.
9. Efron, B., & Tibshirani, R. J. (1994). An Introduction to the Bootstrap. Chapman and Hall/CRC. [DOI:10.1201/9780429246593]
10. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
11. Farnoosh, R., Ghasemian, J., & Solaymanifard, O. (2012). Integrating Ridge-Type Regularization in Fuzzy Nonlinear Regression. Computational and Applied Mathematics, 31, 323-338. [DOI:10.1590/S1807-03022012000200006]
12. Ghobadi, S., & Javanmard, M. (2006). Design and analysis of experiments in fuzzy environment. First National Conference on Maintenance and Repair.
13. Hesamian, G., & Akbari, M. G. (2020). A Robust Multiple Regression Model Based on Fuzzy Random Variables. Journal of Computational and Applied Mathematics, 371, 112704. [DOI:10.1016/j.cam.2019.112704]
14. Kacprzyk, J., & Fedrizzi, M. (Eds.). (1992). Fuzzy Regression Analysis (2nd ed.). Springer-Verlag.
15. Khammar, A. H., Arefi, M., & Akbari, M. G. (2020). A Robust Least Squares Fuzzy Regression Model Based on Kernel Function. Iranian Journal of Fuzzy Systems, 17(4), 105-119.
16. Kashani, M., Arashi, M., & Rabiei, M. R. (2021). Resampling in Fuzzy Regression via Jackknife-after-Bootstrap (JB). International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 29(4), 517-535. [DOI:10.1142/S0218488521500227]
17. Lambert-Lacroix, S., & Zwald, L. (2011). Robust Regression Through the Huber's Criterion and Adaptive Lasso Penalty. Electronic Journal of Statistics, 5, 1015-1053. [DOI:10.1214/11-EJS635]
18. Lee, W. J., Jung, H. Y., Yoon, J. H., & et al. (2015). The Statistical Inferences of Fuzzy Regression Based on Bootstrap Techniques. Soft Computing, 19, 883-890. [DOI:10.1007/s00500-014-1415-5]
19. Little, R. J. A., & Rubin, D. B. (2019). Statistical Analysis with Missing Data (3rd ed.). Wiley. [DOI:10.1002/9781119482260]
20. Melkumova, L., & Shatskikh, S. (2017). Comparing Ridge and Lasso Estimators for Data Analysis. Procedia Engineering, 201, 746-755. [DOI:10.1016/j.proeng.2017.09.615]
21. Montgomery, D. C. (2017). Design and Analysis of Experiments. John Wiley & Sons.
22. Ross, T. J. (2010). Fuzzy Logic with Engineering Applications. John Wiley & Sons. [DOI:10.1002/9781119994374]
23. Saleh, A. K. M. E., Arashi, M., Saleh, R. A., & Norouzirad, M. (2022). Rank-Based Methods for Shrinkage and Selection: With Application to Machine Learning. John Wiley & Sons. [DOI:10.1002/9781119625438]
24. Shen, S. L., Mei, C. L., & Cui, J. L. (2010). A Fuzzy Varying Coefficient Model and its Estimation. Computers and Mathematics with Applications, 60, 1696-1705. [DOI:10.1016/j.camwa.2010.06.049]
25. Tanaka, H., Uejima, S., & Asai, K. (1982). Linear Regression Analysis with Fuzzy Model. IEEE Transactions on Systems, Man, and Cybernetics, 12(6), 903-907. [DOI:10.1109/TSMC.1982.4308925]
26. Yang, Z., Yin, Y., & Chen, Y. (2013). Robust Fuzzy Varying Coefficient Regression Analysis with Crisp Inputs and Gaussian Fuzzy Output. Journal of Computing Science and Engineering, 7(4), 263-271. [DOI:10.5626/JCSE.2013.7.4.263]
27. Zeng, W., Feng, Q., & Li, J. (2017). Fuzzy Least Absolute Linear Regression. Applied Soft Computing, 52, 1009-1019. [DOI:10.1016/j.asoc.2016.09.029]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران Journal of Statistical Sciences

Persian site map - English site map - Created in 0.07 seconds with 45 queries by YEKTAWEB 4714