Bayesian Analysis of Correlated Regressors in Seemingly Unrelated Regression Model
Article Sidebar
Main Article Content
บทคัดย่อ
Multicollinearity is known to result in inefficiency of estimators. This study introduces the use of Bayesian estimator to handle the problem of multicollinearity in Seemingly Unrelated Regression (SUR) model. Results of Bayesian method of estimation were compared with classical methods of estimation namely; SUR and Ordinary Least Squares (OLS) estimators when the regressors are correlated through a M. The Mean Squared Error (MSE) criterion was used to facilitate comparison among these estimators. The results revealed that the Bayesian method outperformed both SUR and OLS estimators for all sample sizes and levels of correlation considered.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความภายในบทความที่ตีพิมพ์ในวารสารทั้งหมด รวมถึงรูปภาพประกอบ ตาราง เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ การนำเนื้อหา ข้อความหรือข้อคิดเห็น รูปภาพ ตาราง ของบทความไปจัดพิมพ์เผยแพร่ในรูปแบบต่าง ๆ เพื่อใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากกองบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษร
มหาวิทยาลัยฯ อนุญาตให้สามารถนำไฟล์บทความไปใช้ประโยชน์และเผยแพร่ต่อได้ โดยต้องแสดงที่มาจากวารสารและไม่ใช้เพื่อการค้า
ข้อความที่ปรากฏในบทความในวารสารเป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และบุคลากร คณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯแต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเอง ตลอดจนความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความเป็นของผู้เขียน ไม่เกี่ยวข้องกับกองบรรณาธิการ
References
Rao, C. R., Toutenburg, H., Shalabh and Heumann, C. (2008). Linear models and generalizations. Springer series in Statistics. Germany.
Liu, A. Y. and Wang, S. G. (1991). A biased estimator in two Seemingly Unrelated Regression model. Chinese Journal of Applied Probability& Statistics. 7(3), 266-274.
Liu, A. Y. (1993). A Improved principal component regression estimator in two seemingly unrelated regression model. Application of Statistics and management. 12(2), 70-75.
Alkhamisi, M. A. and Shukur, G. (2008). Developing ridge parameters for SUR model. Communications in Statistics: theory and methods. 37(4), 544-564.
Qiu, S. M. (2008). Improved c-k estimators of parameters in seemingly unrelated regression system. Hunan University.
Yahya, W. B., Adebayo, S. B., Jolayemi, E. T., Oyejola, B. A. and Sanni, O. O. M. 2008. Effects of non-orthogonality on the efficiency of Seemingly unrelated regression (SUR) models. InterStat Journal. 1-29.
Roozbeh, M., Arashi, M. and Gasparini, M. (2012). Seemingly unrelated ridge regression in Semiparametric models. Communications in Statistics; Theory and methods. 41(8), 1364-1386.
Wu, J. (2014). Improved Liu-type estimator of parameters in two seemingly unrelated regressions. Journal of Applied Mathematics, 1-7.
Rana, S. and Al-Amin, M. M. (2015). An Alternative Method of Estimation of SUR Model. American Journal of Theoretical and Applied Statistics. 6(3), 150-155.
Erdugan, F. and Akdeniz, F. (2016). Restricted Estimation in Two Seemingly unrelated Regression Model. Pakistan Journal of Statistics & Operation research. 12(4), 579-588.
Zeebari, Z., Shukur, G, and Kibria, M. G. (2012). Modified Ridge parameters for Seemingly Unrelated Regression Model. Communications in Statistics-Theory and Methods. 41,1675-1691.
Revankar, N. S. (1974). Some finite sample results in the context of two Seemingly Unrelated Regression equations. Journal of the American Statistical Association, 69, 187-190.
Zellner, A. (1962). An efficient method of estimating seemingly unrelated regression equations and test for aggregation bias. Journal of American Statistical Association 57, 348-368.
Richard, J. F. and Steel, M.F. J. (1988). Bayesian analysis of systems of seemingly unrelated regression equations under a recursive extended natural conjugate prior density. Journal of Econometrics. 38, 7-37.