000			06042namaa22004211i 4500
003			OSt
005			20250414100614.0
008			250305s2024ua |||a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519
092			_a519 _221
097			_aM.Sc
099			_aCai01.18.04.M.Sc.2024.Ma.C.
100	0		_aMarwa Rateb Saad El-sayed Elseihy, _epreparation.
245	1	2	_aA comparison of some estimation methods for quantile regression model / _cBy Marwa Rateb Saad El-sayed Elseihy; Supervised by Prof. Ahmed Hassan Youssef, Dr. Shereen Hamdy Abdel-latif.
246	1	5	_aمقارنة بين بعض طرق التقدير لنموذج انحدار الكونتيل /
264		0	_c2024.
300			_a130 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc.)-Cairo University, 2024.
504			_aBibliography: pages 81-85.
520			_aThe least-squares estimator has several disadvantages when dealing with heteroscedasticity. Hence, this estimate will not be a Best Linear Unbiased Estimator (BLUE). Consequently, Quantile Regression (QR) has been used instead of linear regression. Quantile regression, by nature, is an extension of linear regression used when the conditions of linear regression are not met. The main objective of this thesis is to compare linear regression and quantile regression regarding the problem of heteroscedasticity. For this goal, the study has conducted a simulation study and empirical application of Corona Virus Disease (COVID-19) data. For estimating the quantile regression model based on linear programming, three algorithms are mainly used: Simplex, Interior Point, and Smoothing. Moreover, five Bootstrap approaches have been used to estimate the standard error of the coefficients with heteroscedasticity. In the light of the simulation and application study on COVID-19 data, it has been concluded that quantile regression is better than linear regression in both predicting errors and representing data in the presence of heteroscedasticity. In addition, the performance of the smoothing algorithm was higher at the upper conditional quantiles. Furthermore, it was clear that the Wild Bootstrap approach was superior to the simplex algorithm and the performance of the Markov Chain Marginal Bootstrap (MCMB) approach was distinguished when estimating the interior point algorithm. Also, it was noted that the performance of Paired Bootstrap (PB) and Generalized Bootstrap (GB) with unit exponential weights were better when smoothing algorithm estimation is applied. It is worth noting that the simulation results are consistent with the application results.
520			_aإن وجود مشكلة عدم تجانس البيانات والتي قد تؤدي بدورها إلى عدم تماثل البيانات يؤثر بالسلب على تقدير المربعات الصغرى ولن يصبح مقدر المربعات الصغرى أفضل مقدر خطي غير متحيز (BLUE) عند استخدام نموذج الانحدار الخطي البسيط. لذا اتجه الباحثون إلى استخدام نموذج انحدار الكوانتيل والاعتماد عليه كبديل لنموذج الانحدار الخطي إذا اتسمت البيانات بعدم التجانس، انحدار الكوانتيل هو امتداد للانحدار الخطي المستخدم عندما لا تتحقق شروط الانحدار الخطي.الهدف الرئيسى من هذة الرسالة هو مقارنة أداء كل من نموذجي الانحدار الخطي وانحدار الكوانتيل عند وجود مشكلة عدم التجانس ولهذا الهدف، تم اجراء محاكاة وتطبيقًا تجريبيًا لبيانات حقيقية لكوفيد-19. لتقدير نموذج انحدار الكوانتيل على أساس البرمجة الخطية، ، يتم استخدام ثلاث خوارزميات بشكل رئيسي: Simplex، Interior Point، Smoothing. علاوة على ذلك، تم استخدام خمسة مناهج Bootstrap لتقدير الخطأ المعياري للمعاملات مع عدم التجانس. في ضوء دراسة المحاكاة والتطبيق على ببيانات حقيقية لكوفيد 19، تم التوصل إلى أن الانحدار الكوانتيل أفضل من الانحدار الخطي في كل من التنبؤ بالأخطاء وتمثيل البيانات في ظل وجود مشكلة عدم تجانس البيانات. بالإضافة إلى ذلك، كان أداء خوارزمية Smoothing أعلى في الكميات الشرطية العليا من التوزيع 0.75, and 0.9))τ=. علاوة على ذلك، اتضح تفوق نهج Wild Bootstrap مع خوارزمية Simplex، وتميز أداء نهج Markov Chain Marginal Bootstrap عند التقدير بخوارزمية ال Interior Point، وكان اداء كل من Paired Bootstrap (XY) و (Generalized Bootstrap with unit Exponential Weights (WXY أفضل عند التقدير بخوارزمية ال Smoothing، ومن الجدير بالذكر أن نتائج المحاكاة تتفق مع نتائج التطبيق.
530			_aIssued also as CD
546			_aText in English and abstract in English.
650		7	_aProbability and applied mathematics _2qrmak
653		0	_aBootstrap _aHeteroscedasticity _aLinear Programming
700	0		_aAhmed Hassan Youssef _ethesis advisor.
700	0		_aShereen Hamdy Abdel-latif _ethesis advisor.
900			_b01-01-2024 _cAhmed Hassan Youssef _cShereen Hamdy Abdel-latif _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Applied Statistics and Econometrics
905			_aSara _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171095