هموار سازی

در این مقاله تلاش شده است تا با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کم تری از قیمت نفت خام داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده شده و سپس به وسیله شبکه عصبی مصنوعی و با داده های هموار سازی شده، قیمت نفت پیش بینی شده است. نتایج حاصل از مقایسه RMSE مدل های رقیب با مدل ترکیبی مورد اشاره، دلالت بر آن دارد که کاهش نویز و هموار سازی داده ها، عملکرد پیش بینی قیمت نفت را بهبود می دهد.

 آزمون های مرکب شامل چند خرده آزمون هستند که ممکن است به لحاظ محتوا و تعداد پرسش ها متفاوت باشند. برای تفسیر پذیری بهتر و مقایسه پذیر کردن نمره خرده آزمون ها، نمره خام به دست آمده از خرده آزمون ها به مقیاس مشترکی تبدیل می شود که به آن نمره مقیاس گفته می شود. یکی از روش های مرسوم تبدیل نمره های خام به نمره های مقیاس، تبدیل مقیاس نرمال است. در این تبدیل از فراوانی تراکمی و رتبه درصدی هر نمره برای ساختن نمره مقیاس استفاده می شود. هدف این پژوهش، بررسی اثر به کارگیری روش پیش هموار سازی فراوانی نمره ها و پس هموارسازی آنها بر میزان خطای استاندارد اندازه گیری شرطی نمره های مقیاس است. برای بررسی این اثر از 10000 داده شبیه سازی شده و 10000 داده واقعی آزمون سراسری ایران در گروه آزمایشی ریاضی و فنی در سال 1395 بهره گرفته شد. همچنین از روش های هموارسازی دو جمله ای کرنل و هموارسازی اسپلاین به ترتیب برای هموار کردن فراوانی نسبی نمره ها و نمره های مقیاس استفاده شد. برای مقایسه نمره های مقیاس ساخته شده از خطای استاندارد اندازه گیری شرطی نمره ها بهره گرفته شد. نتایج پژوهش، نشان دهنده مقدار بالای ضریب پایایی برای همه روش ها بود. ضمن اینکه تحلیل نمودار و میانگین خطای استاندارد اندازه گیری شرطی نشان داد که در آن دسته از روش های تبدیل نمره های خام به نمره های مقیاس که از پیش هموار سازی فراوانی، استفاده شده است، میانگین خطای استاندارد اندازه گیری شرطی کمتر بوده و استفاده از پیش هموار سازی تا حد مطلوبی نوسان خطا برای سطوح مختلف نمره ها را کاهش داده است.