یک معیار جدید انتخاب مدل مبتنی بر داده تاگی

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