مقاله

برآورد مدل های آمیخته خطی تعمیم یافته فضایی با متغیرهای پنهان چوله نرمال بسته

چکیده

مدل های آمیخته خطی تعمیم یافته فضایی معمولا برای مدل بندی پاسخ فضایی گسسته به کار می روند، که در آنها ساختار همبستگی فضایی دادهها از طریق متغیرهای پنهان در نظر گرفته می شود. مسئله مهم در این مدلها برآورد متغیرهای پنهان فضایی در موقعیتهای دارای مشاهده پاسخ و پارامترهای مدل و در نهایت پیشگویی متغیرهای پنهان در موقعیتهای فاقد مشاهده است. در این راستا اغلب کاربران برای سهولت توزیع نرمال را برای متغیرهای پنهان در نظر می گیرند. اگرچه این فرض باعث سهولت محاسبات می شود، اما گاهی در عمل محیا نیست، یا به دلیل پنهان بودن بررسی آن میسر نمی باشد. لذا در این مقاله استفاده از توزیع چوله نرمال بسته که در حالت خاص شامل توزیع نرمال است و تحت حاشیه سازی، شرطی کردن و تبدیلات خطی بسته می باشد، برای متغیرهای پنهان پیشنهاد می شود. در این مدلها تابع درستنمایی فرم بسته ای ندارد و به دست آوردن برآوردهای ماکسیمم درستنمایی پارامترها به راحتی امکان پذیر نیست. در این مقاله الگوریتمی تقریبی برای برآورد ماکسیمم درستنمایی پارامترهای مدل و پیشگوی تقریبی متغیرهای پنهان ارائه می شود، که در مقایسه با روشهای موجود بسیار سریعتر است. اعتبار مدل و الگوریتم پیشنهادی در یک مطالعه شبیه سازی مورد بررسی قرار می گیرد.

اسناد مشابه

  • تحلیل مدل های آمیخته خطی تعمیم یافته فضایی با استفاده از تقریب لاپلاس آشیانی جمع بسته

    مقاله۲۰۱۴مجله مدل سازی پیشرفته ریاضیفاطمه حسینی، امید کریمی، منور محمدکریمی

    برای مدلبندی پاسخ های گسسته فضایی زمین آمار از مدل های آمیخته خطی تعمیم یافته فضایی استفاده می شود و ساختار همبستگی فضایی داده ها از طریق متغیرهای پنهان در نظر گرفته می شود. از مهمترین اهداف در بررسی این مدل ها پیش گویی متغیرهای پنهان و برآورد پارامترهای مدل است. در این مقاله برا

  • مقایسه مدل های آمیخته خطی تعمیم یافته و مدل های خطی تعمیم یافته در تعیین عوامل مرتبط با بیماری دیابت نوع۲ در استان یزد

    مقالهطلوع بهداشت یزدحسین فلاح زاده، h fallahzadeh shahid sadoughi university of medical sciencesدانشگاه علوم پزشکی و خدمات بهداشتی درمانی شهید صدوقی یزد فریبا اسدی، f asadi shahid sadoughi university of medical sciencesدانشگاه علوم پزشکی و خدمات بهداشتی درمانی شهید صدوقی یزد مسعود رحمانیان، m rahmanian diabetes research center, yazdمرکز تحقیقات دیابت یزد مهدی عمادی

    مقدمه: بیماری دیابت از جمله بیماری های مزمنی است که شیوع آن بسیار زیاد و روز به روز درحال افزایش است. در این مطالعه ضمن تعیین عوامل موثر بر بیماری دیابت به مقایسه دو مدل خطی تعمیم یافته وخطی آمیخته تعمیم یافته می پردازیم. روش بررسی: داده های این مطالعه مربوط به طرح تحقیقاتی بررسی

  • مدلهای آمیخته خطی تعمیم یافته: معرفی، روشهای برآورد وکاربرد آن در مطالعات پزشکی

    مقاله۲۰۱۹علوم پیراپزشکی و بهداشت نظامیحسین فلاح زاده، فریبا اسدی

    مقدمه: در بسیاری از مطالعات بخصوص مطالعات پزشکی اغلب با داده هایی روبه رو هستیم که یا به صورت طولی ویا خوشه ای گردآوری شده اند.مدلهای آمیخته خطی تعمیم یافته که گسترش یافته مدلهای خطی تعمیم یافته ومدلهای آمیخته خطی هستند روش مفیدی برای تجزیه وتحلیل اینگونه داده ها می باشند. در این

  • مقایسه مدل‏های جمعی تعمیم‏یافته و مدل‏های خطی تعمیم‏یافته در برآورد عوامل خطر رتینوپاتی بیماران دیابتی شهر تهران

    مقالهمجله دانشگاه علوم پزشکی خراسان شمالیحبیبه وزیری نسب، h vazirinasab مسعود صالحی، m salehi معصومه خوشگام، m khoshgam نسرین رفعتی

    چکیده زمینه و هدف: یکی از عوارض شناخته شده دیابت، رتینوپاتی دیابتی است که عامل نابینایی افراد در سنین 20 تا 74 سال محسوب می‏شود. تعیین عوامل خطر مرتبط با پیشرفت بیماری می‏تواند در پیشگیری، تشخیص زودهنگام و کاهش رنج ناشی از این عوارض مهم باشد. در این مطالعه سعی شده است با تعیین عو

  • تحلیل حساسیت متغیرهای ورودی در مدل های خطی تعمیم یافته

    مقاله۲۰۲۲اندیشه آماریمحمد خراسانی، فرزاد اسکندری

    در دنیای امروزی با استفاده از فرآیند مدل‌سازی آماری می‌‌توان پدیده‌های طبیعی را جهت تحلیل و پیش‌بینی اتفاقات موردبررسی، بکار برد. دﺭ ﺑﺴﻴﺎﺭﯼ ﺍﺯ ﺭﻭﺵ‌ﻫﺎﯼ ﻣﺪﻝ‌ﺳﺎﺯﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﻭﺟﻪ ﺍﺳﺘﻔﺎﺩﻩ ﻧﻤﯽ‌‌ﺷﻮد به این دلیل که مدﻝ‌‌ﻫﺎﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ فرﺍﻳﻨﺪﻫﺎﯼ ﻣﺤﻴﻄﯽ ﺭﺍ ﺩﺭ ﻃﻴﻒ ﻭﺳﻴﻌﯽ

  • برآورد مدل‌های آمیخته خطی تعمیم‌یافته فضایی با میدان تصادفی چوله گاوسی مانا

    مقاله۲۰۲۲اندیشه آماریفاطمه حسینی، امید کریمی

    برای مدل‌بندی داده‌های گسسته فضایی معمولا از مدل‌آمیخته خطی تعمیم‌یافته فضایی استفاده می‌شود که همبستگی فضایی در این مدل‌ها با استفاده از متغیرهای پنهان گاوسی وارد مدل می‌شوند. در این مقاله برای افزایش دقت برآورد پارمترها و پیش‌گویی‌ها،‌متغیرهای پنهان با استفاده از یک میدان تصادف