رگرسیون چندکی بیزی با تاوان لاسو و لاسوی تطبیق‌پذیر برای داده‌های طولی دودویی

Authors

Abstract:

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 پاسخ‌های دوحالته  ارائه شده و هر دو روش از دیدگاه آمار بیزی مورد تحلیل قرار می‌گیرد. با توجه به اینکه در هر دو روش توزیع‌های پسینی پارامترها به شکل بسته قابل حصول نیستند، توزیع‌های پسینی شرطی کامل پارامترها محاسبه شده و از الگوریتم نمونه‌گیری گیبز برای استنباط استفاده می‌شود. برای مقایسه کارایی روش‌های ارائه شده با روش‌های متداول، مطالعه شبیه‌سازی انجام شده و در پایان نیز نحوه کاربست مدل‌ها در قالب مثال کاربردی شرح داده خواهد شد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

رگرسیون چندکی بیزی با تاوان لاسوی تطبیق پذیر برای داده های پانلی پویا

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 چندک...

full text

رگرسیون 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...

رگرسیون لاسو بیزی

انتخاب بهترین زیرمدل یکی از بحث های مهم در مدل های رگرسیونی می باشد. هدف این روش ها این است که پیش بین های مهم و پیش بین های قابل اغماض تعیین شده و رابطه ی بین متغیر پاسخ و متغیرهای پیش بین ساده تر بیان شود. علاوه بر این دقت برآوردها و در نتیجه پیش بینی مشاهدات آینده نیز افزایش یابد. فرآیندهای انتخاب متغیر کلاسیک از قبیل انتخاب بهترین زیرمجموعه و انتخاب گام به گام، اغلب از لحاظ محاسباتی پرهزینه...

15 صفحه اول

روش های بیزی در رگرسیون لاسو

رگرسیون حداقل مربعات میانگین متغیر پاسخ را به عنوان تابعی از یک یا چند متغیر توصیفی بیان می کند. اما رگرسیون چندکی، چندکهای شرطی متغیر پاسخ را به عنوان تابعی از متغیرهای توصیفی بررسی می کند. اخیرا نیز رگرسیون لاسو که از مهمترین روشهای انتخاب متغیرها و رگرسیون تاوانیده است ارایه شده است. اما در این روشها (رگرسیون چندکی و لاسو و ...) در بیشتر مواقع استنباط در مورد پارامترها انجام نمی شود، به دلیل...

انتخاب مدل در رگرسیون چندکی تابیت و دودویی

انتخاب مدل، یکی از مهم ترین موضوعات در مدل سازی آماری محسوب می شود که کاربرد وسیعی در تحلیل های آماری دارد. در سال های اخیر با افزایش توجه و علاقه محققان به استنباط و تحلیل های آماری از دید گاه آمار بیزی، مسأله ی انتخاب مدل بیزی نیز بسیار مهم و کاربردی شده است. روش های متعددی برای انتخاب مدل به روش آمار بیزی وجود دارد. دو نوع از مهم ترین این روش ها عبارت اند از: انتخاب مدل با استفاده از عامل بی...

رگرسیون 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

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 9  issue 2

pages  149- 167

publication date 2016-03

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023