การเปรียบเทียบวิธีการคัดเลือกตัวแปรอิสระเข้าสู่ตัวแบบการถดถอยเชิงเส้นพหุคูณโดยใช้วิธีเบส์และวิธีการถดถอยแบบขั้นตอน
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ มีวัตถุประสงค์เพื่อศึกษาการคัดเลือกตัวแปรอิสระเข้าสู่ตัวแบบการถดถอยเชิงเส้นพหุคูณ ด้วยวิธีการคัดเลือกตัวแปรของเบส์ โดยใช้วิธีการสุ่มแบบกิบส์ และทำการเปรียบเทียบประสิทธิภาพในการคัดเลือกตัวแปรอิสระเข้าสู่ตัวแบบของเบส์โดยใช้วิธีการสุ่มแบบกิบส์กับวิธีการถดถอยแบบขั้นตอน โดยการจำลองข้อมูล ทั้งกรณีที่ไม่มีและมีความสัมพันธ์เชิงเส้นแบบพหุระหว่างตัวแปรอิสระ และกำหนดขนาดตัวอย่างเท่ากับ 25 และ 100 โดยกระทำซ้ำ 500 ครั้งในแต่ละกรณี เกณฑ์ที่ใช้ในการเปรียบเทียบ คือ ร้อยละความถูกต้องของการคัดเลือกตัวแปรอิสระเข้าสู่ตัวแบบและค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ผลการวิจัยพบว่าเมื่อชุดข้อมูลจำลองเป็นขนาดตัวอย่างเล็ก ร้อยละความถูกต้องของการคัดเลือกตัวแปรด้วยวิธีการคัดเลือกตัวแปรของเบส์โดยใช้วิธีการสุ่มแบบกิบส์สูงกว่าวิธีการถดถอยแบบขั้นตอน ทั้งกรณีที่ไม่มีและมีความสัมพันธ์เชิงเส้นแบบพหุระหว่างตัวแปรอิสระ แต่เมื่อขนาดตัวอย่างมากขึ้น กรณีที่ไม่มีความสัมพันธ์เชิงเส้นแบบพหุระหว่างตัวแปรอิสระ วิธีการถดถอยแบบขั้นตอนได้ร้อยละความถูกต้องของการคัดเลือกตัวแปรมากขึ้น ซึ่งเท่ากันกับวิธีการคัดเลือกตัวแปรของเบส์โดยใช้วิธีการสุ่มแบบกิบส์ และ MSE ของทั้งสองวิธีมีค่าเท่ากัน ซึ่งมีค่าน้อยมาก อันเนื่องมาจากค่าจริงและค่าพยากรณ์ของตัวแปรตามที่ได้จากแต่ละวิธีมีค่าใกล้เคียงกัน ในทางกลับกันเมื่อมีความสัมพันธ์เชิงเส้นแบบพหุระหว่างตัวแปรอิสระ วิธีการคัดเลือกตัวแปรของเบส์โดยใช้วิธีการสุ่มแบบกิบส์และวิธีการถดถอยแบบขั้นตอนไม่สามารถคัดเลือกตัวแปรอิสระเข้าสู่ตัวแบบได้อย่างถูกต้อง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Burnham, K.P. and Anderson, D.R. (2002). Model selection and multimodel inference: A practical information-theoretic approach. 2nd Edition. New York: Springer-Verlag.
Efroymson, M.A. (1960). Multiple Regression Analysis. In: Ralston A. and Wilf, H., Eds., Mathematical Methods for Digital Computers. New York: John Wiley.
Lee, S. (2021). Bayesian linear regression with Gibbs sampling using R code [Internet]. Source: https://shorturl.asia/vx6jB. Retrieved date 17 August 2025.
Mitchell, T. and Beauchamp, J. (1988). Bayesian variable selection in linear regression. Journal of the American Statistical Association. 83(404): 1023 - 1032. doi: 10.2307/2290129.
Tippayawannakorn, N. (1997). Comparison of predicted values of dependent variables using model selection by Bayesian variable selection, backward elimination and stepwise regression with hierarchical polynomial regression. Dissertation, Chulalongkorn University. Bangkok.
Viadinugroho, R. (2021). Generate simulated dataset for linear model in R. Source: https://shorturl.asia/T8PRO. Retrieved date 17 August 2025.
Yardimci, A and Erar, A. (2002). Bayesian variable selection in linear regression and a comparison. Hacettepe Journal of Mathematics and Statistics. 31: 63 - 76.
