مدل رگرسیون نیمه پارامتری مکان-مقیاس با دم های نیمه سنگین بر اساس توزیع هایپربولیک سکانت

کاربران مدل های رگرسیون کلاسیک دریافته اند که در عمل بسیاری از پذیره های این نوع مدل ها برقرار نیستند و باید مدل هایی را به کار گرفت که قادر به مدل بندی ماهیت واقعی داده ها باشند. رده مدل های جمعی تعمیم یافته برای همه پارامترهای یک توزیع شامل مکان، مقیاس و شکل، یک رده بسیار منعطف و پرطرفدار است که می تواند پیچیدگی های موجود در داده ها را لحاظ کند. در کنار ارایه یک مدل رگرسیونی برای پارامترهای مختلف توزیع متغیر پاسخ و نه فقط میانگین، مدل بندی داده های پرت نیز دارای اهمیت است. در مواردی که تعداد داده های پرت اندک است، استفاده از توزیع های دم سنگین می تواند پیچیدگی بیش از حد نیاز وارد مساله کند. در این مقاله، با در نظر گرفتن توزیع هایپربولیک سکانت با دم نیمه سنگین و تعبیه آن در چارچوب مدل های جمعی تعمیم یافته برای مکان، مقیاس و شکل، یک مدل رگرسیون نیمه پارامتری مکان-مقیاس جدید را برای رفع این مشکل در کنار حفظ انعطاف بالای مدل بندی اثرات متغیرهای رگرسیونی، معرفی می کنیم. کارایی مدل پیشنهادی را در مقایسه با مدل کلاسیک نرمال با یک مطالعه شبیه سازی بررسی می کنیم و کاربست آن را در یک مثال واقعی نمایش می دهیم.

Keywords:

توزیع با دم نیمه سنگین , توزیع هایپربولیک سکانت , داده پرت , درستنمایی تاوانیده , رگرسیون مکان-مقیاس