رگرسیون چندکی بیزی با تاوان لاسوی تطبیق پذیر برای داده های پانلی پویا
Authors
abstract
مدل های داده های پانلی پویا قسمت مهمی از مطالعات حوزه ی پزشکی، اجتماعی و اقتصادی را شامل می شود. ویژگی بارز این مدل ها وجود متغیر وابسته ی تأخیری به عنوان متغیر توصیفی است. مشکل برآورد در این مدل ها از همبستگی بین متغیر وابسته ی تأخیری و مؤلفه خطای فعلی، ناشی می شود. اخیراً رگرسیون چندکی تاوانیده برای تجزیه و تحلیل داده های پانلی پویا مورد توجه قرار گرفته است. در این مقاله ابتدا مدل رگرسیون چندکی با ایجاد تاوان لاسوی تطبیق پذیر روی اثرهای تصادفی برای داده های پانلی پویا با فرض وابستگی اثرهای تصادفی و مشاهدات اولیه ارائه می شود. همچنین این مدل با فرض استقلال بین اثرهای تصادفی و مشاهدات اولیه نیز بررسی خواهد شد. هر دو مدل از دیدگاه آمار بیزی بیان شده و مورد تجزیه و تحلیل قرار می گیرند. چون در این دو روش توزیع پسینی پارامترها به شکل بسته قابل حصول نیستند، لذا توزیع های پسینی شرطی کامل پارامترها محاسبه شده و از الگوریتم نمونه گیری گیبس برای استنباط استفاده می شود. برای مقایسه کارایی روش های بیزی ارائه شده با روش های متداول، مطالعه شبیه سازی انجام شده و در پایان نیز نحوه ٔ کاربست مدل ها در قالب مثال کاربردی شرح داده خواهد شد
similar resources
رگرسیون چندکی بیزی با تاوان لاسو و لاسوی تطبیقپذیر برای دادههای طولی دودویی
در بسیاری از مطالعات علوم پزشکی برای بیان سیر بیماری و تا ثیر درمان از مطالعات طولی استفاده میشود، که در آن پاسخها به طور مکرر در طول زمان اندازهگیری میشوند. اما گاهی این پاسخها دو حالته و گسسته هستند. اخیرا روشهای رگرسیون چندکی دودویی برای تحلیل این نوع دادهها مورد توجه قرار گرفته است. در این مقاله مدل رگرسیون چندکی با تاوان لاسو و لاسوی تطبیقپذیر برای دادههای طولی با پاسخ...
full textرگرسیون چندکی بیزی در داده های طولی
مطالعه ی داده های طولی قسمت مهمی از مطالعات مربوط به ایپدمیولوژی، بالینی و علوم اجتماعی را شامل می شود. برخلاف اکثر مطالعات که یک متغیر پاسخ برای هر فرد یا واحد آزمایشی وجود دارد، در این نوع مطالعات هر فرد یا واحد آزمایشی تحت اندازه گیری مکرر در طول زمان قرار می گیرند و داده های طولی را به دست می دهد.بنابراین در فصل اول به تعریف داده های طولی پرداخته شده و مدل داده های طولی ارائه شده است سپس تع...
برازش مدل های رگرسیونی پویا با داده های پانلی توسط روش های ماکسیمم درستنمایی و بیزی
مدلهای رگرسیونی پویا با دادههای پانلی دارای کاربرد بسیاری در مطالعات اقتصادی و اجتماعی هستند. خصوصیت بارز این مدلها وجود متغیرهای تاخیری به عنوان متغیر تبیینی است. این ویژگی باعث اغتشاش در خواص برآوردها توسط روشهای معمول برآوردیابی خواهد شد. یک مسئله اساسی در مدلسازی مشاهدات پانلی تغییرپذیری بین واحدهای آزمایشی است که به علت پیچیدگی محاسبات در استفاده از روشهای متداول برآوردیابی، اغلب این...
full textبرازش مدلهای رگرسیونی پویا با دادههای پانلی توسط روشهای ماکسیمم درستنمایی و بیزی
مدلهای رگرسیونی پویا با دادههای پانلی دارای کاربرد بسیاری در مطالعات اقتصادی و اجتماعی هستند. خصوصیت بارز این مدلها وجود متغیرهای تاخیری به عنوان متغیر تبیینی است. این ویژگی باعث اغتشاش در خواص برآوردها توسط روشهای معمول برآوردیابی خواهد شد. یک مسئله اساسی در مدلسازی مشاهدات پانلی تغییرپذیری بین واحدهای آزمایشی است که به علت پیچیدگی محاسبات در استفاده از روشهای متداول برآوردیابی، اغلب ا...
full textبرآورد بیزی تابع تاوان در آزمون همگنی مدلهای آمیخته
برای آزمون فرضیه همگنی مدلهای آمیخته، معمولا از آزمون نسبت درستنمایی اصلاح شده که مبتنی بر افزودن یک تابع تاوان مناسب به تابع لگ درستنمایی میباشد، استفاده میشود. کارایی این آزمون به شدت تحت تاثیر شکل تابع تاوان انتخابی است. انتخاب تابع تاوان در این نوع آزمون معمولا براساس پرهیز از پیچیدگی و میسر بودن برآورد پارامترها صورت میپذیرد، که لزوما نتایج مطلوبی به دنبال ندارد. در این مقاله یک تابع...
full textرگرسیون چندکی برای داده های طولی با استفاده از توزیع لاپلاس نامتقارن
در بسیاری از حوزه های علوم پزشکی و علوم رفتاری برای بررسی اثر بخشی درمان ها و هم چنین روند بیماری ها لازم است، که پاسخ مورد نظر به طور مکرر اندازه گیری شود. داده های مکرری که تکرار پاسخ در آن ها در نقاط زمانی اتفاق می افتد، داده های طولی و مطالعاتی که بر روی این داده ها انجام می شود مطالعات طولی نامیده می شود. از آنجایی که در مطالعات طولی اندازه گیری ها در طول زمان تکرار می شوند، فرض استقلال دا...
My Resources
Save resource for easier access later
Journal title:
اندیشه آماریجلد ۲۰۱۷، شماره ۳، صفحات ۰-۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023