การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของการประมาณค่าพารามิเตรอ์ถดถอยของตัวแปรเชิงเส้นเชิงเดียว กรณีที่ให้ตัวแปรตามมีการแจกแจงแบบปกติและกรณีที่ตัวแปรตามมีการแจกแจงแบบล็อกนอร์มัลและแปลงเป็นการแจกแจงแบบปกติ โดยจะเปรียบเทียบวิธีการประมาณค่าพารามิเตอร์การถดถอย 2 วิธี ได้แก่วิธีความควรจะเป็นสูงสุด (Maximum Likelihood Method (MLE)) และวิธีเบส์ (Bayesian Method (BAYES)) เมื่อกำหนดให้การแจกแจงก่อนของพารามิเตอร์การถดถอยเป็นแบบปกติสองตัวแปร เกณฑ์ที่ใช้ในการเปรียบเทียบประสิทธิภาพคือค่าเฉลี่ยความคลาดเคลื่อนกำลังสองเฉลี่ย (Average Mean Squares Error (AMSE)) สถานการณ์ที่ศึกษาคือตัวแปรอิสระ ~iX(,1)~i, จำลองมาจากการแจกแจงปกติที่มีค่าเฉลี่ยเท่ากับ 50 และส่วนเบี่ยงเบนมาตรฐานเท่ากับ 10 การแจกแจงความคลาดเคลื่อนสุ่ม (+,e)(,i) เป็นแบบปกติที่มีค่าเฉลี่ย ~iE((+,e)(,i)) เท่ากับ 0 ส่วนเบี่ยงเบนมาตรฐาน ~iSD((+,e)(,i))~i เท่ากับ 1.0 3.0 5.0 7.0 และ 9.0 ค่า ~u(+,b)~u = (1.0,1.0) สำหรับการแจกแจงก่อนปกติสองตัวแปรของพารามิเตอร์การถดถอย ~u(+,b)~u มีค่าเฉลี่ย (...) ความแปรปรวน (+,s)(,1)('2) และ (+,s)(,2)('2)มีค่าสอดคล้องกับสัมประสิทธิ์ความแปรผัน ~i(C.V)~i ของการแจกแจงในระดับต่ำ กลาง สูง ซึ่งในที่นี้กำหนดเป็นค่า 0.6 1.3 และ 1.8 ตามลำดับ และค่าสหสัมพันธ์ ~i((+,r))~i ระหว่างพารามิเตอร์ มีค่า -0.3 -0.1 0.5 0.7 และ 0.9 และขนาดตัวอย่าง ~i(n)~i ที่ศึกษาเท่ากับ 10 20 30 50 70 และ 90 จำลองสถานการณ์การทดลองด้วยเทคนิคเอนติคาร์โลทำซ้ำ 500 ครั้ง ในแต่ละสถานการณ์ของการทดลอง ผลการวิจัยสามารถสรุปได้ดังนี้ 1. กรณีที่ตัวแปรตามมีการแจกแจงแบบล็อกนอร์มัลและแปลงเป็นการแจกแจงแบบปกติ ให้ผลสรุปเหมือนกับกรณีที่ตัวแปรตามมีการแจกแจงแบบปกติ ซึ่งอธิบายตามกรณีของสหสัมพันธ์ระหว่าง ~i(+,b)~i(,0) และ ~i(+,b)~i(,1) ได้ดังนี้ 1.1 เมื่อ ~i(+,b)~i(,0) และ ~i(+,b)~i(,1) มีสหสัมพันธ์ในระดับต่ำ (-0.3 (+,ฃ)~i(+,r)~i(+,ฃ)0.3) เมื่อ 0<~iSD(+,e)(,1)(+,ฃ)2.1 ทุกค่า ~in~i และ 2.1 < ~iSD(+,e)(,1)<8.2, ~in~i(+,ณ)46 จะได้ว่า MLE ให้ประสิทธิภาพ ในการประมาณมากที่สุด แต่ถ้า 2.1 < ~iSD(+,e)(,1)<8.2, 0<~in~i< 45 และ ~iSD(+,e)(,1) (+,ณ) 8.2 ทุกค่า ~in~i จะได้ว่า BAYES ให้ประสิทธิภาพในการประมาณมากที่สุด 1.2 เมื่อ ~i(+,b)~i(,0) และ ~i(+,b)~i(,1) มีสหสัมพันธ์ในระดับปานกลาง (-0.7 (+,ฃ)~i(+,r)~i<-0.3 หรือ 0.3 < ~i(+,r) (+,ฃ)0.7) เมื่อ 0<~iSD(+,e)(,1)(+,ฃ)3.3 ทุกค่า ~in~i และ ~iSD(+,e)(,1)>3.3, ~in~i(+,ณ)27 จะได้ว่า MLE ให้ประสิทธิภาพในการประมาณมากที่สุด แต่ถ้า ~iSD(+,e)(,1)<3.3, 0<~in~i< 26 จะได้ว่า BAYES ให้ประสิทธิภาพในการประมาณมากที่สุด 1.3 เมื่อ ~i(+,b)~i(,0) และ ~i(+,b)~i(,1) มีสหสัมพันธ์ในระดับสูง (~i(+,r)~i<-0.7 หรือ ~i(+,r)~i>0.7) ที่ค่า 0 <~iSD(+,e)(,1)(+,ณ)8.5 ทุกค่า ~in~i และ ที่ค่า ~iSD(+,e)(,1)(+,ณ) 8.5, ~in~i(+,ณ)28 จะได้ว่า MLE ให้ประสิทธิภาพในการประมาณมากที่สุด แต่ถ้า ~iSD(+,e)(,1)(+,ณ)8.5, 0<~in~i< 27 จะได้ว่า BAYES ให้ประสิทธิภาพในการประมาณมากที่สุด 2. เมื่อ ~iSD (+,r)(,1)~i, (+,s)(,1)('2), (+,s)(,2)('2) หรือ (+,r) เพิ่มขึ้นค่า AMSE มีแนวโน้มเพิ่มขึ้น แต่เมื่อ ~in~i เพิ่มขึ้นค่า AMSE มีแนวโน้มลดลง