یک معیار جدید انتخاب مدل مبتنی بر داده تاگی
محل انتشار: مجله علوم آماری، دوره: 12، شماره: 1
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 109
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- 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
چکیده مقاله:
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.
کلیدواژه ها:
MCMC Algorithm ، Generalized Linear Mixed Model ، Model Selection Criterion ، Data Cloning ، الگوریتم MCMC ، مدل آمیخته خطی تعمیم یافته ، معیار انتخاب مدل ، داده تاگی
نویسندگان
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 مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :