การเปรียบเทียบการประมาณค่าสูญหายในแผนแบบบล็อกสุ่มสมบูรณ์
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้เพื่อศึกษาเปรียบเทียบวิธีการประมาณค่าสูญหาย 3 วิธีคือวิธี OLS วิธี MI และวิธี GA ในแผนแบบบล็อกสุ่มสมบูรณ์โดยใช้ข้อมูลจริงและข้อมูลจำลอง กำหนดให้ข้อมูลสูญหาย (m) อย่างสุ่มไม่เกิน 5% สำหรับข้อมูลจริงจำนวน 2 ชุด : t=5 b=3,t=8 b=4 และสำหรับข้อมูลจำลองมี 4 กรณี : t=3 b=3,t=5 b=3, t=8 b=4, t=8 b=5 กำหนดให้ C.V. เท่ากับ 10% 30% และ 50% ให้ค่าคงที่ h เท่ากับ 1 2 และ 3 และกระทำซ้ำแต่ละสถานการณ์ 12,000 รอบ โดยใช้โปรแกรม R และเมื่อพิจารณาจากค่า MSE และค่า MAPE ผลการศึกษาพบว่า เมื่อจำนวนข้อมูลสูญหายมีค่ามากขึ้น ทำให้ค่า MSE และ MAPE มีค่ามากขึ้น สำหรับข้อมูลจริงที่มี m เท่ากับ 1 และ 2 ค่า วิธี MI ให้ค่า MSE และ MAPE ต่ำที่สุด สำหรับข้อมูลจำลองที่มี m เท่ากับ 1 ส่วนใหญ่วิธี OLS ให้ค่า AVG MSE และ AVG MAPE ต่ำที่สุด ยกเว้นในกรณีที่ C.V. เท่ากับ 10% และ h เท่ากับ 1 ซึ่งพบว่า วิธี GA ให้ค่า AVG MSE และ AVG MAPE ต่ำที่สุด สำหรับข้อมูลจำลองที่ m เท่ากับ 2 เมื่อ C.V. เท่ากับ 10% และ 30% พบว่า วิธี MI และวิธี GA ให้ค่า AVG MSE และ AVG MAPE ต่ำที่สุด ตามลำดับ และเมื่อ C.V. เท่ากับ 50% ส่วนใหญ่วิธี OLS ให้ค่า AVG MSE และ AVG MAPE ต่ำที่สุด
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
P. Prasitwattanaseree and S. Prasitwattanaseree, “Missing data and management,” Data Management and Biostatistics Journal, vol. 4, no. 3, 2009 (in Thai).
B. Chomtee, Statistics for Experimental design : Theory and Analysis with SAS. Bangkok: Department of Statistics , Faculty of Science, Kasetsart University, 2013 (in Thai).
P. Damrongsuttipong, “A comparison of missing value estimation methods for randomized complete block design,” M.S. thesis, Department of Statistics, Faculty of Commerce and Accountancy Chulalongkorn University, Bangkok, 2003 (in Thai).
S. Kannika, “A comparison of missing value estimation methods for latin square design,” M.S. thesis, Department of Statistics, Faculty of Commerce and Accountancy Chulalongkorn University, Bangkok, 2006 (in Thai).
A. Azadeh, S.M. Asadzadeh, R. Jafari-Marandi, S. Nazari-Shirkouhi, G.Baharian Khoshkhou, S. Talebi, and A. Naghavi, “Optimum estimation of missing values in randomized complete block design by genetic algorithm,” Journal of Knowledge-Based Systems, vol. 37, pp. 37–47, 2012.
S. A. A. Shah, Alamgir, and M. Khan, “Comparative efficiency of randomized complete block design Vs. latin square design in wheat yield trial,” Journal of Natural Sciences Research, vol. 7, no. 1, pp. 22–25, 2017.
H. Pakcharoen. (2012, March). Sampling Techniques. [Online]. Available: http://service. nso.go.th/nso/nsopublish/Toneminute/ files/55/0203-5.pdf
S. Wongsriya, “A comparison of treatment sum of squares for Greco Latin square design with one missing observation,” M.E. thesis, Department of Engineering in Industrial Engineering, Faculty of Engineering, King Mongkut’s Institute of Technology Ladkrabang, Bangkok, 2018 (in Thai).
R. Lamjaisue, A. Thongteeraparp, and J. Sinsomboonthong, “Comparison of missing data estimation methods for the multiple regression analysis with missing at random dependent variable,” Journal of Science and Technology, vol. 25, no. 5, 2017 (in Thai).
W. Limmun, John J. Borkowski, and B. Chomtee, “Using a genetic algorithm to generate d-optimal designs for mixture experiments,” Journal of Quality and Reliability Engineering International, vol. 35, pp. 1055–1068, 2012.
R. Sriprakho, “Reduction of product shortages by using Forecasting techniques: A case study Aicello (Thailand) Co., Ltd.” M.E. thesis, Department of Engineering Management, Faculty of Engineering Dhurakij Pundit University, 2014 (in Thai).