@article { author = {Chachi, Jalal and Kazemifard, Ahmad and Fahimi, Hamed}, title = {MCDM Approach to Evaluation of Goodness of Fit of Statistical Models}, journal = {Fuzzy Systems and its Applications}, volume = {4}, number = {1}, pages = {247-267}, year = {2021}, publisher = {Iranian Fuzzy Systems Association}, issn = {2717-4409}, eissn = {2717-3984}, doi = {10.22034/jfsa.2021.138934}, abstract = {Today, various models with different estimation methods are introduced and used in data modeling. The appropriateness of each method of estimating statistical models in the fit of a dataset is based on a specific goodness-of-fit criterion (or a specific objective function). Also, the goodness-of-fit index of any statistical model (including classical or fuzzy regression models) is defined and formulated according to the structure of that model. Therefore, using and applying only one criterion to compare the goodness-of-fit of a diverse set of statistical models leads to oblique/biased and directional decisions. In fact, such a process leads to prioritization of the models that their objective functions are the same as the evaluation criterion and/or their objective functions are structurally proportional to the evaluation criteria. Therefore, considering only one-criterion to evaluate the goodness-of-fit of the models deprives them of the possibility of a fair and equitable comparison, which is very challenging. Our main goal in this paper is to provide and propose an appropriate framework in the context of multi-criteria decision making to overcome the challenge. In this method, it is possible to aggregate a wide range of evaluation criteria from different point of views to generate a generalized evaluation criterion in order to identify the optimal model.Finally, the proposed approach is employed to rank the fit of 22 different fuzzy regression models.}, keywords = {Statistical models,multi criteria decision making (MCDM),Aggregate,Fuzzy Regression,goodness-of-fit}, title_fa = {رهیافت تصمیم‌گیری‌های چند معیاره در ارزیابی نیکویی برازش مدل‌های آماری}, abstract_fa = {امروزه مدل‌های متنوعی با روشهای برآوردیابی مختلف در مدلسازی داده‌ها، معرفی و بکار برده می‌شوند. تناسب هر یک از روش‌های برآوردیابیِ مدل‌های آماری در برازشِ مجموعه‌ای از داده‌ها مبتنی بر یک معیار نیکویی برازشِ خاص (یا تابع هدفی خاص) است. همچنین، شاخص نیکویی برازش هر مدل آماری (از جمله مدل‌های رگرسیونی کلاسیک و یا فازی) متناسب با منطقِ طراحی آن مدل تعریف و فرمول‌بندی می‌شود. لذا استفاده و بکارگیریِ صرفا یک معیار جهت مقایسه نیکویی برازش مجموعۀ متنوعی از مدل‌های آماری باعث تصمیم‌گیری‌های اریب و جهت‌دار می‌شود. در واقع چنین فرآیندی منتج به اولویت بخشی به مدل یا مدل‌هایی می‌شود که یا توابع هدفی یکسان با معیار ارزیابی دارند و یا توابع هدف آنها از لحاظ ساختاری متناسب با همان معیار ارزیابی است. لذا رویکرد تک معیاره برای ارزیابی نیکویی برازش مدل‌ها، امکان مقایسه مطلوب و منصفانه آنها که بسیار چالش برانگیز است را سلب می‌کند. هدف اصلی ما در این مقاله، ارایه و پیشنهاد چارچوبی مناسب در قالب رهیافت تصمیم‌گیری‌های چند معیاره به منظور حل و فصل این چالش است. در این رهیافت به روشهای متنوعی امکان انبوهش مجموعه‌ای گسترده از معیارهای ارزیابی به منظور تولید یک معیار ارزیابی تعمیم یافته جهت تشخیص مدل بهینه فراهم می‌شود.در انتها رویکرد پیشنهادی به منظور رتبه‌بندی ارزیابی نیکویی برازش 22 مدل رگرسیون فازی مختلف بکار برده شده است.}, keywords_fa = {مدل‌های آماری,تصمیم‌گیری‌های چند معیاره,انبوهش,مدل‌های رگرسیون فازی,نیکویی برازش}, url = {https://jfsa.fuzzy.ir/article_138934.html}, eprint = {https://jfsa.fuzzy.ir/article_138934_df73112158cf79e9b81f636203a9d68e.pdf} }