การพยากรณ์เงินรายได้นำเข้าประเทศจากแรงงานไทยในต่างประเทศด้วยสมการถดถอยที่ปรับค่าสัมประสิทธิ์โดยใช้วิธีตัวประมาณค่า S ปรับแก้
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้เป็นการพัฒนาวิธีการประมาณค่าสัมประสิทธิ์การถดถอยใหม่ โดยปรับแก้วิธีตัวประมาณค่า S ที่ใช้ค่าสถิติ DMST ที่พัฒนาจากค่าสถิติ "Q" _"n" ร่วมกับระยะทางแบบยุคลิด และวิธีการต้นไม้แบบทอดข้ามน้อยสุดภายใต้ขั้นตอนและวิธีการของพริม มาเป็นค่าเริ่มต้นของการหาค่าถ่วงน้ำหนัก QDMST ในขั้นตอนการประมาณค่าสัมประสิทธิ์การถดถอยด้วยวิธีกำลังสองน้อยที่สุดที่ถูกถ่วงน้ำหนักอย่างซ้ำ เพื่อให้ได้สมการที่นำไปใช้พยากรณ์เงินรายได้นำเข้าประเทศของแรงงานไทยในต่างประเทศ ตามที่ปรากฏในฐานข้อมูลของกรมการจัดหางาน สำนักงานประกันสังคม และธนาคารแห่งประเทศไทย ผลการจำลองสถานการณ์ จำนวน 540 สถานการณ์ ที่เป็นผลประกอบของขนาดตัวอย่าง 5 จำนวน ร้อยละของค่านอกเกณฑ์ 6 จำนวน พารามิเตอร์ 6 จำนวน และการแจกแจงของค่าความคลาดเคลื่อน 3 แบบ คือ แจกแจงปรกติ, แจกแจงแกมมา และแจกแจงไวบูล พบว่ามี 396 กรณีตัวประมาณค่า S ปรับแก้มีประสิทธิภาพมากกว่าตัวประมาณค่า S เมื่อพิจารณาจากค่าคลาดเคลื่อนกําลังสองเฉลี่ย (MSE ) ต่ำสุด โดยส่วนใหญ่เป็นกรณีที่มีขนาดตัวอย่างเท่ากับ 100 และ 200 ทั้งนี้ เมื่อให้〖 X〗_1i , X_2i และ X_3i แทนจำนวนแรงงานไทยในไต้หวัน, ประเทศสิงคโปร์ และประเทศอื่น ๆ ตามลำดับ พบว่า ตัวแปรเหล่านี้มีอิทธิพลต่อเงินรายได้นำเข้าประเทศของแรงงานไทยในต่างประเทศ (Y ̂_i ) = 56.3% เมื่อพิจารณาจากค่าสัมประสิทธิ์การกำหนดที่ถูกปรับค่า และมีค่าสัมประสิทธิ์สหสัมพันธ์เท่ากับ 0.75 ซึ่งได้สมการพยากรณ์จากสัมประสิทธิ์การถดถอยที่ประมาณจากวิธีตัวประมาณค่า S ปรับแก้ คือ Y ̂_i = 9813.02816 -0.54163〖 X〗_1i -1.038199" " X_2i + 0.10425 X_3i ทั้งนี้วิธีตัวประมาณค่า S ปรับแก้ให้ค่า MSE เท่ากับ 2,678,240.568 และค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) เท่ากับร้อยละ 27.603 ซึ่งมีค่าน้อยกว่าวิธีตัวประมาณค่า S ที่ให้ค่า MSE เท่ากับ 5,376,983.567 และ MAPE เท่ากับร้อยละ 32.6174
Article Details
เอกสารอ้างอิง
Minimum Spanning Tree. Emerging Trends in Computing and Information
Sciences, 2(11), 608-614.
Dave, M. B. and Nakrani, M. B. (2014). Malicious User Detection in Spectrum Sensing for
WRAN Using Different Outliers Detection Techniques. Engineering Trends and
Technology, 9(7), 1405-1420.
Habshah, M., Norazan, M. and Rahmatullah I. A. (2009). The performance of diagnostic-
robust generalized potentials for the identification of multiple high leverage points in linear regression. Applied Statistics, 36(5), 507-520.
Krischetein, T., Liebscher, S. and Becker, C. (2013). Robust estimation of location and scatter
by pruning the minimum spanning tree. Multivariate Analysis, 120(1), 173-184.
Labor Market Research Division, Department of Employment. (2015). Unemployment
Situation Termination and Labor Demand [Online]. Retrieved July 26, 2015, from:
https://www.m-society.go.th/. (in Thai)
Manila Labor Office (Taipei). (2560). The general problem of Thai workers [Online].
Retrieved October 18, 2017, from: http://taipei.mol.go.th/node/309. (in Thai)
Milhano, T., Sequera, J. and Sotto, E. D. (2013). Using S-estimators in Parameter
Identification. The Proceedings of the 16th International Conference on Information Fusion, 9-12 July 2013 at Istanbul, 1058-1065.
Montgomery, D. C., Peck, E. A. and Vining, G. G. (2006). Introductions to Linear
Regression Analysis. 4th ed. New York: John Wiley & Sons.
Ollerer, V., Alfons, A. and Croux, C. (2016). The shooting S-estimator for robust regression. Computational Statistical, 31(3), 829-844.
Panik, M. (2009). Regression Modeling Methods, Theory, and Computation with SAS. New
York: Taylor & Francis Group.
Peter, S. (2014). Algorithm for Clustering Gene Expression Data with Outliers Using Minimum
Spanning Tree. Science and Research, 3(2), 258-265.
Public Relations Division, Ministry of Labour. (2014). Thai Labor Situation Abroad, Journal for Workers, 2(6), 3-30. (in Thai)
Ratniyom, A. and Permpoonwiwat, K. C. (2009). Foreign Labour Market Trend.
Srinakharinwirot Economics Journal, 5(5), 113-120. (in Thai)
Roelant, E., Aelst, V. S. and Croux, C. (2009). Multivariate generalized S-estimators.
Multivariate Analysis, 100(5), 876–887.
Rousseeuw, P. and Yohai, V. (1984). Robust regression by means of S-estimators. The Proceedings of the Stochastische Mathematische Modelle International Conference, 24 June 1984 at Berlin, 265-272.
Rousseeuw, J. and Croux, C. (1993). Alternatives to the median absolute deviation.
American Statistical Association, 88(424), 1273-1283.
Rousseeuw, P. and Leroy, A. M. (2003). Robust regression and outlier detection. New York: John wiley & sons.
Saengprasan, C., Chadcham, S. and Wongkasem, P. (2015). An Evaporation Estimation using
the Modified Ratio Estimator. Research Methodology and Cognitive Science, 13(2),
30-44. (in Thai)
Tabatabai, M. B., Ebay, W. and Singh, K. (1012). TELBS robust linear regression method.
Open Access Medical Statistics, 2(3), 65-84.
Tharmaratnam, K., Claeskens, G., Croux, C. and Salibián-Barrera, M. (2010). S-estimation for penalized regression splines. Computational and Graphical Statistics, 19(3), 609-625.
Yarmohammadi, M. and Mahmoudvand, R. (2010). The Effect of Outliers On Robust And
Resistant Coefficient of Determination In The Linear Regression Models. Academic
Research, 2(3), 133-138.
