<?xml version="1.0" encoding="utf-8"?>
<journal>
<title>Journal of Statistical Sciences</title>
<title_fa>مجله علوم آماری</title_fa>
<short_title>JSS</short_title>
<subject>Basic Sciences</subject>
<web_url>http://jss.irstat.ir</web_url>
<journal_hbi_system_id>1</journal_hbi_system_id>
<journal_hbi_system_user>admin</journal_hbi_system_user>
<journal_id_issn>1735-8183</journal_id_issn>
<journal_id_issn_online>2783-2929</journal_id_issn_online>
<journal_id_pii></journal_id_pii>
<journal_id_doi>10.61882/jss</journal_id_doi>
<journal_id_iranmedex></journal_id_iranmedex>
<journal_id_magiran></journal_id_magiran>
<journal_id_sid></journal_id_sid>
<journal_id_nlai></journal_id_nlai>
<journal_id_science>شماره 812/2910/3 مورخ 12/7/1384</journal_id_science>
<language>fa</language>
<pubdate>
	<type>jalali</type>
	<year>1401</year>
	<month>12</month>
	<day>1</day>
</pubdate>
<pubdate>
	<type>gregorian</type>
	<year>2023</year>
	<month>3</month>
	<day>1</day>
</pubdate>
<volume>16</volume>
<number>2</number>
<publish_type>online</publish_type>
<publish_edition>1</publish_edition>
<article_type>fulltext</article_type>
<articleset>
	<article>


	<language>fa</language>
	<article_id_doi></article_id_doi>
	<title_fa>برآورد ضرایب مدل رگرسیون خطی با استفاده از برآوردگرهای انقباضی نوع-لیو</title_fa>
	<title>Coefficients Estimation of Linear Regression Models Using Liu-Type Shrinkage Estimators</title>
	<subject_fa>آمار کاربردی </subject_fa>
	<subject>Applied Statistics</subject>
	<content_type_fa>پژوهشی بنیادی</content_type_fa>
	<content_type>Research</content_type>
	<abstract_fa>&lt;p dir=&quot;rtl&quot; style=&quot;text-align: justify;&quot;&gt;این مقاله برآوردگرهای انقباضی نوع-لیو را برای ضرایب مدل رگرسیونی خطی با حضور هم&#8204;خطی چندگانه تحت اﻃﻼﻋﺎت زیﺮﻓﻀﺎ پیشنهاد می&#8204;دهد. عملکرد برآوردگرهای معرفی شده از نظر کارایی نسبی آن&#8204;ها از طریق شبیه&#8204;سازی مونت کارلو و یک مجموعه داده واقعی با برآوردگر نوع-لیو مقایسه می&#8204;شود. نتایج آشکار می&#8204;کنند که برآوردگرهای معرفی شده نسبت به برآوردگر نوع-لیو عملکرد بهتری دارند.&lt;/p&gt;</abstract_fa>
	<abstract>&lt;p style=&quot;text-align: justify;&quot;&gt;This paper suggests Liu-type shrinkage estimators in linear regression model in the presence of multicollinearity under subspace information. The performance of the proposed estimators is compared to Liu-type estimator in terms of their relative efficiency via a Monte Carlo simulation study and a real data set. The results reveal that the proposed estimators outperform better than the Liu-type estimator.&lt;/p&gt;</abstract>
	<keyword_fa>مدل رگرسیون خطی, هم‌خطی چندگانه, برآوردگرهای انقباضی نوع-لیو, شبیه‌سازی مونت کارلو.</keyword_fa>
	<keyword>Linear Regression Model, Multicollinearity, Liu-type Shrinkage Estimators, Monte Carlo Simulation.</keyword>
	<start_page>417</start_page>
	<end_page>434</end_page>
	<web_url>http://jss.irstat.ir/browse.php?a_code=A-10-595-1&amp;slc_lang=fa&amp;sid=1</web_url>


<author_list>
	<author>
	<first_name>Zahra</first_name>
	<middle_name></middle_name>
	<last_name>Zandi</last_name>
	<suffix></suffix>
	<first_name_fa>زهرا</first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>زندی</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>zahrazandi163@yahoo.com</email>
	<code>10031947532846007590</code>
	<orcid>10031947532846007590</orcid>
	<coreauthor>Yes
</coreauthor>
	<affiliation>Department of Statistics, University of Kurdistan, Sanandaj, Iran.</affiliation>
	<affiliation_fa>گروه آمار دانشگاه کردستان</affiliation_fa>
	 </author>


	<author>
	<first_name>Hossein</first_name>
	<middle_name></middle_name>
	<last_name>Bevrani</last_name>
	<suffix></suffix>
	<first_name_fa>حسین</first_name_fa>
	<middle_name_fa></middle_name_fa>
	<last_name_fa>بیورانی</last_name_fa>
	<suffix_fa></suffix_fa>
	<email>bevrani@gmail.com</email>
	<code>10031947532846007591</code>
	<orcid>10031947532846007591</orcid>
	<coreauthor>No</coreauthor>
	<affiliation>Department Statistics, University of Tabriz, Tabriz, Iran.</affiliation>
	<affiliation_fa>گروه آمار دانشگاه تبریز</affiliation_fa>
	 </author>


</author_list>


	</article>
</articleset>
</journal>
