یک معیار جدید انتخاب مدل مبتنی بر داده تاگی
Publish place: Journal of Statistical sciences، Vol: 12، Issue: 1
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 103
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_STAT-12-1_002
تاریخ نمایه سازی: 23 شهریور 1401
Abstract:
یک چالش اساسی در استنباط مدل های آمیخته، معرفی معیارهای کارا برای انتخاب مدل است. منبع اصلی این چالش نیز برازش و محاسبه ماکسیمم تابع درستنمایی مدل می باشد. داده تاگی روش جدیدی است که برای برازش کارای مدل های آمیخته با روش ماکسیمم درستنمایی پیشنهاد شده است. این روش، اخیرا، طرفداران زیادی پیدا کرده است و مشکلات عمده سایر روش های استنباط مبتنی بر درستنمایی در مدل های آمیخته را ندارد. یکی از معایب این روش، عدم توانایی محاسبه مقدار ماکسیمم تابع درستنمایی است. این مقدار یک کمیت کلیدی در معرفی و محاسبه معیارهای انتخاب مدل محسوب می شود. بنابراین به نظر می رسد با روش داده تاگی نمی توان یک معیار اطلاع مناسب، به طور مستقیم، برای یافتن بهترین مدل در رده مدل های آمیخته، تعریف کرد. این پژوهش تلاشی است در جهت نقض این باور. در این مقاله، یک معیار مبتنی بر روش داده تاگی معرفی می شود و عملکرد آن در یک مطالعه شبیه سازی مورد ارزیابی قرار می گیرد.
Keywords:
MCMC Algorithm , Generalized Linear Mixed Model , Model Selection Criterion , Data Cloning , الگوریتم MCMC , مدل آمیخته خطی تعمیم یافته , معیار انتخاب مدل , داده تاگی
Authors
صدیقه اسحقی
Faculty of Mathematical Sciences, Shahrood University of Technology, Shahrood, Iran.
حسین باغیشنی
Faculty of Mathematical Sciences, Shahrood University of Technology, Shahrood, Iran.
نگار اقبال
Faculty of Mathematical Sciences, Shahrood University of Technology, Shahrood, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :