براورد بیزی مدل های nig از طریق روش های مونت کارلوی زنجیر مارکوفی از طریق روش مونت کارلوی زنجیر مارکوفی صورت می گیرد

در تحلیل بیزی مدل‌های رگرسیون جمعی ساختاری که قالبی انعطاف پذیر از مدل‌های آماری در زمینه‌های کاربردی دارند توزیع‌های پسینی فرم بسته‌ای ندارند و استفاده از الگوریتم‌های مونت کارلوی زنجیر مارکوفی به دلیل پیچیده بودن و تعداد زیاد پارامترهای این مدل زمان‌بر هستند. روش تقریب لاپلاس آشیانی جمع بسته می‌تواند با استفاده از تقریب‌های گاوسی و لاپلاس نیاز به شبیه‌سازی‌های سنگین را مرتفع سازد. در ا...

تعیین چگالی های ناشناخته در بسیاری از کاربردها نظیر مدل های بیزی پیچیده تنها به کمک شبیه سازی ممکن بوده و در این میان روشهای مونت کارلوی زنجیر مارکوفی بیشترین سهم را دارند. روش های مختلف مونت کارلوی زنجیر مارکوفی ، امروزه به عنوان ابزاری اساسی در قلمرو علم آمار و به ویژه در مباحث بیزی بکار رفته و همراه با افزایش قدرت پردازش و سرعت محاسبات کامپیوترها در حال تکمیل و گسترش می باشد. در این پایان نا...

  تاکنون مساله آشکارسازی سیگنال با استفاده از نظریه میدان های تصادفی توسط گروهی از آمارشناسان مورد بررسی قرار گرفته است. در این مقاله برآورد نقطه ای پارامترهای سیگنال یک میدان تصادفی گاوسی فضای مقیاس به روش بیزی را مورد بررسی قرار می دهیم. با توجه به پیچیدگی توزیع پسین پارامترهای این مدل و عدم وجود فرم بسته برای آن، با استفاده از روش مونت کارلوی زنجیر مارکوفی ( MCMC )، برآوردهای مذکور را تقریب ...

یکی از فرضیات اساسی در مدل های رگرسیون خطی ساده استقلال آماری بین مشاهدات است. گاهی اوقات این فرض برای موضوع مورد مطالعه صادق نیست و در نتیجه بکارگیری مدل های متداول رگرسیونی ممکن است مناسب نباشد. این حالت بویژه برای داده هایی که دارای ساختار همبستگی درون گروهی بوده و به داده های چندسطحی یا خوشه ای معروف می باشند اتفاق می افتد. مدل مناسب برای تحلیل این گونه داده ها مدل های چندسطحی است. در مقایس...

در سال های اخیر استفاده از مدل های متغیر پنهان سلسله مراتبی در زمینه های آماری مختلف مورد توجه قرار گرفته است. یک مدل متغیر پنهان دارای دو سطح است که در سطح اول آن توزیع مشاهدات به شرط متغیر پنهان و در سطح دوم توزیع متغیر های پنهان مشخص می شود. یکی از رهیافت های تحلیل این گونه مدل ها، روش بیزی است که در آن با در نظر گرفتن توزیع پیشین برای پارامترها، یک سطح به دو سطح قبلی اضافه شده و بدین ترتیب ...

با استفاده از روش مونت کارلوی زنجیر مارکوفی (mcmc)،فرایند نقطه ای شبیه سازی می کنیم که توزیع آن همان توزیع هدف ما باشد و برای مدل هایی که بدست آوردن براورد ماکسیمم درست نمایی آنها به روش کلاسیک امکان پذیر نیست روش mcmc را به کار برده و برورد آنهارا بدست می آوریم

در برخی مواقع ساختار جوامع سلسله مراتبی به گونه ای است که دو سطح به جای اینکه در طول هم باشند در عرض هم قرار دارند و لذا نمی توان مدل های آشیانه ای را برای آنها به کار برد. در چنین حالتی لازم است مدل های رده بندی متقاطع به عنوان زیرکلاسی از مدل های چندسطحی مورد استفاده قرار گیرند. چشم پوشی از ساختار رده بندی متقاطع می تواند جهت و میزان اریبی مشاهده شده در برآورد پارامترها را به طور قابل ملاحظه ...

در این مقاله مدل فضایی برای تحلیل مقادیر کرانگین با توزیع حاشیه ای مقدار کرانگین تعمیم یافته معرفی می شود، که در آن وابستگی های کوچک مقیاس با استفاده از تابع مفصل تی فاصله مدل بندی و سپس با رویکردی سلسله مراتبی میدانی تصادفی برای جذب وابستگی های بزرگ مقیاس با پارامتر مکان توزیع های حاشیه ای مرتبط می شود. برازش مدل در رهیافت بیزی با استفاده از تکنیک های مونت کارلوی زنجیر مارکوفی انجام می گیرد که...

مدل بندی پاسخ های کرانگین در حضور اثرات غیرخطی، زمانی، فضایی و متقابل می تواند با مدل آمیخته صورت پذیرد. به علاوه اسپلاین همواری در مدل آمیخته و رهیافت بیزی تواما چارچوب مناسبی را برای استنباط مقادیر کرانگین فراهم می کنند. در این مقاله به کارگیری اسپلاین همواری برای اثر غیرخطی متغیر تبیینی در قالب یک مدل آمیخته تعمیم یافته بیان و برای تحلیل مقادیر کرانگین به کار می رود. برای این منظور فرض می شو...