آمیخته ای ازg-پیشین ها برای انتخاب متغیر با روش بیزی

در حالت کلی، در مباحث مدل گزینی بیزی استفاده از پیشین های ناآگاهی بخش و ناسره برای پارامترهای مدل چندان پذیرفته نیست و در صورت به کارگیری چنین پیشین هایی، استفاده از روش های معمول برای مدل گزینی بیزی نتایج مناسبی را در پی نخواهد داشت. در مدل گزینی مدل های خطی نرمال، خانواده ی توزیع های پیشین مزدوج نرمال-گاما به خاطر فراهم نمودن امکان محاسبه ی تحلیلی درستنمایی های حاشیه ای، به طور گسترده ای مورد توجه قرار گرفته است. از بین این پیشین ها، g-پیشین های زلنر به خاطر دارا بودن بسیاری از مزیت ها مرسوم ترین پیشین ها در این حیطه به شمار می روند ولی استفاده از آن ها برخی ناسازگاری ها و تناقضات را نیز در پی دارد. در این تحقیق اساس دیدگاه بیز نسبت به مدل گزینی را ارائه کرده و روش های متعددی را برای حل مشکلات محاسبه ای معرفی کرده ایم. همچنین برخی روش ها برای رفع مشکلات استفاده از پیشین های ناسره در مباحث مدل گزینی پیشنهاد شده اند. از سویی دیگر، آمیخته ای ازg-پیشین ها را به عنوان جایگزینی برای g-پیشین های اولیه که ضمن حفظ مزیت های g-پیشین های پیش فرض، ناسازگاری های آن ها را نیز رفع می کند، مورد مطالعه قرار داده و ویژگی های نظری آن ها را ارائه کرده ایم. در پایان با بررسی مثال های شبیه سازی شده و همچنین واقعی، به مقایسه ی آمیخته ای از g-پیشین ها با g-پیشین های اولیه، دیدگاه بیز تجربی و دیگر دستورالعمل های مطرح پرداخته ایم.