New estimators for the probit regression model with multicollinearity

Abonazel, Mohamed R.; Dawoud, İssam; Awwad, Fuad A.; Eldin, Elsayed Tag

doi:10.1016/j.sciaf.2023.e01565

Cited by 2 publications

(2 citation statements)

References 34 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Le modèle empirique d'adoption de chacune des technologies se présente comme suit : Il est à noter que dans cette étude, les paramètres du modèle de régression probit utilisé ont été estimés par la méthode du maximum de vraisemblance (MMV). La MMV donne toutefois de mauvaise performance (c'està-dire des paramètres biaisés) en cas la multicolinéarité, c'est-à-dire en cas de corrélation entre plusieurs variables indépendantes (Abonazel et al, 2023). Pour identifier les variables posant de problème sérieux de multicolinéarité, il a été calculé le VIF ("variance inflation factor", ou facteur d'inflation de la variance).…”

Section: Données Utiliséesunclassified

Déterminants de l’adoption des technologies de sédentarisation de la production d’igname au Centre-Bénin : une analyse basée sur la régression probit

TEDE

Sodjinou

Hinnou

2023

Ann. UP, Série Sci. Nat. Agron.

View full text Add to dashboard Cite

La production de l’igname, basée essentiellement sur des cultures itinérantes sur brûlis dans les forêts naturelles ou les savanes arborées, entraîne la dégradation des terres, l’appauvrissement des sols et la perte de la biodiversité. Afin de remédier à ces problèmes, les systèmes agroforestiers sont promus en tant que pratiques agricoles alternatives visant à améliorer la fertilité des sols, les rendements de l'igname et la préservation de l'environnement par le biais de la sédentarisation de la production d'igname. La présente étude avait pour objectif d’analyser les déterminants de l’essai et de l’adoption de deux technologies de sédentarisation : la rotation Mucuna pruriens var utilis-igname et l’association Gliricidia sepium-igname. Les données ont été collectées auprès de 173 producteurs d’igname sélectionnés de manière aléatoire dans quatre communes du département des Collines, au Centre-Bénin. L'analyse de régression probit a montré que l’alphabétisation, l’accès au crédit et la participation à une formation sur la gestion de la fertilité des sols sont des facteurs déterminant positivement l’essai des différentes technologies. Les producteurs vivant proches des marchés ont une plus grande propension à expérimenter les technologies de sédentarisation pour la production d'igname par rapport à ceux qui se trouvent à une distance relativement plus éloignée de ces marchés. Une fois les technologies testées, la disponibilité de main-d’œuvre, la capacité des technologies à restaurer la fertilité des sols, à améliorer le rendement de l’igname et le revenu, à maintenir la qualité de l’igname, voire à contrôler les adventices deviennent cruciales dans la décision finale du producteur d’adopter lesdites technologies. Après l’essai des technologies, l’appui-conseil sur les aspects techniques devient moins important si les producteurs n’ont pas accès au crédit nécessaire pour mettre en œuvre ces technologies. Par conséquent, l’appui-conseil aux producteurs ayant déjà testé la technologie devrait accorder une attention particulière à faciliter l'accès à un crédit adéquat.

show abstract

Section: Données Utiliséesunclassified

Déterminants de l’adoption des technologies de sédentarisation de la production d’igname au Centre-Bénin : une analyse basée sur la régression probit

TEDE

Sodjinou

Hinnou

2023

Ann. UP, Série Sci. Nat. Agron.

View full text Add to dashboard Cite

show abstract

“…Varathan and Wijekoon (2017) introduced an optimal generalized logistic estimator based on quasi-likelihood (QL) estimation, Jadhav (2020) proposed the linearized ridge logistic estimator (LRLE), Lukman et al (2020) introduced the modified ridge type logistic estimator, Varathan (2022) proposed a modified almost unbiased ridge logistic estimator. Abonazel et al (2023) proposed the probit modified ridge and probit Dawoud −Kibria estimators for the probit regression model. Also, other studies interested in Liu estimator in the logistic regression model, for instance; Mansson et al (2012) Recently, Roozbeh et al (2016) introduced a biased estimator based on the decomposition technique to solve the problem of multicollinearity in linear regression models.…”

Section: Introductionmentioning

confidence: 99%

A New Estimator to Combat Multicollinearity in Logistic Regression Model

Hussein,

Abd El-Rahman

2024

المجلة العلمية للدراسات والبحوث المالية والإدارية‎

View full text Add to dashboard Cite

This paper proposes a new estimator based on the singular value decomposition technique of the design matrix to remedy multicollinearity in the binary logistic model. The proposed estimator is called the SVD-based maximum likelihood logistic estimator. The theoretical properties of this estimator and its superiority over some existing estimators is derived in the sense of the matrix mean squared error criterion. The choice of scalar parameter for this estimator is discussed. A Monte Carlo simulation study has been conducted to compare the performance of the proposed estimator with the existing maximum likelihood estimator and ridge logistic estimator in terms of the mean squared error criterion. Moreover, a real data application is presented to illustrate the potential benefits of the proposed estimator and satisfy the theoretical findings. The results from the simulation study and the empirical application reveal that the proposed estimator works well and outperforms existing estimators in scalar mean squared error sense.

show abstract

New estimators for the probit regression model with multicollinearity

Cited by 2 publications

References 34 publications

Déterminants de l’adoption des technologies de sédentarisation de la production d’igname au Centre-Bénin : une analyse basée sur la régression probit

Déterminants de l’adoption des technologies de sédentarisation de la production d’igname au Centre-Bénin : une analyse basée sur la régression probit

A New Estimator to Combat Multicollinearity in Logistic Regression Model

Contact Info

Product

Resources

About