بهبود الگوریتم ساختاری مونت کارلوی زنجیر مارکوف در مدل های چند سطحی با متغیر پاسخ نرمال

مدل های چند سطحی در علوم کاربردی شامل علوم اجتماعی، جامعه شناسی، پزشکی و اقتصاد برای تحلیل داده های همبسته مورد استفاده قرار می گیرند. روش های متفاوتی برای برآورد این مدل ها با متغیر پاسخ نرمال وجود دارند. در این مقاله برای به کارگیری روش بیزی از تعمیم الگوریتم مونت کارلوی زنجیر مارکوف استفاده می شود که قالبی ساده داشته و باعث حذف همبستگی بین نمونه های شبیه سازی برای پارامترهای ثابت وخطای منتسب به گروه ها می شود. چون بعد ماتریس کواریانس بردار خطای جدید افزایش می یابد، برای تسریع همگرایی این روش دو راهکار بر مبنای تجزیه چولسکی ماتریس کواریانس پیشنهاد می شود. سپس عملکرداین روش ها در مطالعه شبیه سازی و مثالی کاربردی مورد ارزیابی قرار می گیرد.

کلیدواژه ها:

Multilevel Data ، Random Intercept Models ، MCMC Algorithm ، Cholesky Decomposition. ، داده های چند سطحی ، مدل های عرض از مبدا تصادفی ، الگوریتم مونت کارلوی زنجیر مارکوف ، تجزیه چولسکی.