انتخاب مدل بر اساس معیار کولبک-لیبلر و کاربرد آن در مدلهای رگرسیونی خطی غیرتودرتو

یکی از اساسی ترین مسائل بنیادی در انتخاب مدل بررسی دوری و نزدیکی مدل های پیشنهادی به مدل مولد داده ها یعنی h(.) است. برای حالتی که چند مدل پیشنهادی وجود دارد، بر اساس آزمون ها و معیارهای موجود تصمیم می گیریم که آیا این مدل ها را به عنوان مدل های خوب در نظر بگیریم یا به عنوان مدل هایی که برازش خوبی به داده ها ندارد. در فرآیند تصمیم گیری برای دو مدل پیشنهادی گاه دو مدل پیشنهادی را رد می کنیم. روش تصمیم گیری آزمون کاکس، رد یا پذیرش مدل های پیشنهادی بر اساس تعلق h(.) به خانواده-ی چگالی های پیشنهادی است. سوالی که مطرح می شود آن است که آیا این دو مدل، که توسط آزمون کاکس رد شده اند، دو مدل نزدیک به h(.) بوده اند یا دو مدل دور از h(.) . از طرفی آزمون وونگ بر اساس دوری و نزدیکی مدل ها به h(.) طراحی شده است. بر این اساس در این پایان نامه با شبیه سازی مدل های رگرسیونی خطی غیرتودرتو با خطای نرمال به بررسی موضوعاتی از این پرداخته ایم که از دو مدل پیشنهادی که توسط آزمون کاکس پذیرفته نشده اند کدام یک به h(.) نزدیک تر بوده اند. از طرفی چنانچه آزمون وونگ یا معیارهای انتخاب مدل مانند bic، aic، kic، kicc، یکی از مدل های پیشنهادی را برگزینند آیا ان مدل توسط آزمون کاکس به عنوان خوب-توصیف شده برگزیده می شود یا خیر. با بررسی این موضوعات می توان نتیجه گرفت که به دلیل حساسیت زیاد آزمون کاکس به ساختار مدل های پیشنهادی پذیرش مدل توسط آزمون کاکس به معنی پذیرش توسط همه معیارهاست، و معادل بودن دو مدل توسط آزمون وونگ به مفهوم رد هر دو توسط آزمون کاکس است. اما در مواردی که هر دو مدل توسط آزمون کاکس رد می شوند، آزمون وونگ و دیگر معیارها مدل نزدیکتر را برمی گزینند.