مهدی روزبه - Semnan University
منیره معنوی - Semnan University

تحلیل و مدل بندی داده های با بعد بالا یکی از چالش برانگیزترین مسائل روز دنیا است. تحلیل و تفسیر این داده ها کاری ساده نیست و نیازمند استفاده از روش های مدرن است. روش های جریمه ای یکی از مشهورترین راه های تحلیل داد ه های با بعد بالاست. همچنین مدل بندی رگرسیونی و تحلیل آن به شدت تحت تاثیر مشاهدات پرت قرار می گیرد. روش کمترین توا ن های دوم پیراسته نیز یکی از بهترین روش های استوار برای از بین بردن تاثیر تخریبی این نقاط است. مدل های نیمه پارامتری که مدل هایی بسیار انعطاف پذیرند، ترکیبی از هر دو نوع مدل های پارامتری و ناپارامتری هستند. این مدل ها زمانی که هم بخش پارامتری و هم بخش ناپارامتری در مدل وجود دارد، مفیدند. هدف اصلی این مقاله تحلیل مدل های نیمه پارامتری در داده های با بعد بالا با حضور نقاط پرت با استفاده از روش لاسو تنک استوار است. در انتها، کارایی برآوردگر پیشنهادی با استفاده از یک داده واقعی در مورد تولید ویتامین ‎lr{B۲}‎ سنجیده می شود.

‎High-dimensional data‎, ‎Lasso method‎, ‎Least timmed squares method‎, ‎Semiparametric model‎, ‎Sparse least trimmed squares method‎., داده های با بعد بالا, روش کمترین توان های دوم پیراسته, روش کمترین توا ن های دوم پیراسته تنک, روش لاسو, مدل های نیمه پارامتری.