-۴٫۴۷۴

.۱۵۴

-۲۹٫۰۷۰

.۰۰۰

log(GDP)

۱٫۱۴۵

.۰۲۶

.۹۸۰

۴۳٫۵۸۸

.۰۰۰

log(inflation)

-.۱۳۸

.۰۴۷

-.۰۴۰

-۲٫۹۰۸

.۰۰۵

مصوبهمجلس )اجباریشدنبیمهعمرکارکناندولت)

.۱۳۳

.۰۸۸

.۰۳۴

۱٫۵۱۵

.۱۳۵

سطح معناداری آزمون فرضیات مورد نظر مانند آنچه در جدول فوق نشان داده شده است، محاسبه شده و با ضریب خطای مفروض (۰٫۰۵) مقایسه می‌شود. به این ترتیب معناداری متغیرهای log(GDP) و log(inflation) مورد تأیید قرار می‌گیرد (سطح معنادری حاصل کمتر از ۰٫۰۵ است).
با توجه به مدل و نتایج بدست آمده ملاحظه می‌شود که تولید ناخاص داخلی با ضریب کشش ۱٫۱۴۵ در تعیین میزان حق بیمه‌های عمر تاثیر قابل توجهی دارد. بدین معنی که هر یک واحد افزایش در تولید ناخالص داخلی منجر به ۱٫۱۴۵ واحد افزایش در حق بیمه‌های عمر دریافتی می‌شود.
۴-۵ شبیه سازی با شبکه‌های عصبی
در این پژوهش برای بررسی از محیط Tool Box از نرم‌افزار a2010MATLAB R استفاده شده است. در این بخش به نحوه تعیین داده های آموزش، آزمون و اعتبار سنجی مورد استفاده در این تحقیق می پردازیم. داده‌های جمع‌اوری شده جهت پیاده سازی شبکه عصبی مصنوعی به سه گروه داده‌های آموزش، داده‌های آزمون و داده‌های اعتبارسنجی تقسیم می‌شوند. مجموعه آموزش : این مجموعه بزرگترین مجموعه است و از آن برای به دست آوردن پارامتر های وزن و اریب^[۳۸] شبکه در شروع فرایند یادگیری استفاده می‌شود.

• مجموعه آزمایش : از این مجموعه برای ارزیابی قابلیت شبکه استفاده می‌شود و تعداد آن کمتر از مجموعه آموزش می باشد.

• مجموعه ارزیابی : از این داده ها برای جلوگیری از پدیده برازش بیش از حد در روند آموزش شبکه استفاده می‌شود. بدین معنا که در نقطه ای که یادگیری شبکه بهتر می‌شود، اما قدرت تعمیم شبکه برای این مجموعه رو به کاهش می نهد، یادگیری شبکه باید متوقف شود. بنابر این اگر نتایج شبکه برای برآورد مناسب باشد، این مدل می‌تواند برای پیش‌بینی مناسب باشد.

. در این تحقیق دو حالت ار برای نحوه تخصیص داده‌ها در نظر گرفتیم.

• حالتی که داده‌های آموزشف آزمون و اعتبارسنجی دارای توزیع یکنواختی در مجموعه داده‌ها می باشند.

• در این حالت شانس تخصیص هر زوج داده‌ به هر گروه از داده‌ها دارای توزیعی نرمال می‌باشند.

که در هر حالت هم حجم مجموعه داده‌های آموزش، آزمون و اعتبارسنجی به ترتیب برابر ۵۰، ۲۵ و ۲۵ درصد از داده‌های جمع‌ آوری شده بودند.