زهرا خادم بشیری - دانشگاه آزاد اسلامی، واحد بهبهان، باشگاه پژوهشگران جوان ونخبگان، بهبهان، ایران

انتخاب بهترین زیرمدل یکی از مباحث مهم در ساختن مدلهای رگرسیونی میباشد. هدف از این روشها تعیین متغیرهای پیشبین مهم و تفکیک آنها از متغیرهای پیشبین قابل اغماض است به طوری که دقت برآوردها و در نتیجه پیشبینی مشاهدات آینده نیز افزایش یابد. زمانی که تعداد متغیرهای مدل رگرسیونی بیشتر از تعداد مشاهدات هستند و یا در مواقعی که بین پیشبینها رابطهی همخطی وجود داشته باشد، معمولا انتخاب متغیر با روشهای فراوانیگرا ناکارآمد هستند و اهمیت روشهای بیزی چشمگیرتر میشود. از میان این روشها، روش رگرسیون لاسو بیزی انتخاب مناسبی است زیرا با استفاده از این روش میتوان عدم اطمینان مدل انتخابی را که از اهمیت خاصی در نظریه استنباط برخوردار است، محاسبه نمود در صورتیکه در لاسو استاندارد اینگونه نیست. با توجه به اینکه روش لاسو بیزی نسبت به دادههای پرت حساس است و در این موارد همگرایی الگوریتم برآورد پارامترهای مدل کاهش مییابد، بهتر است روشهای توانمند را به کار ببریم. در اینجا روش رگرسیون لاسو توانمند بیزی را ارائه داده و ارجحیت این روش نسبت به روش لاسو بیزی را بیان مینماییم.

رگرسیون تاوانیده، رگرسیون لاسو، انتخاب متغیر، رگرسیون لاسو بیزی، رگرسیون توانمند