در این پایان نامه، ابتدا خلاصه ای از مدل رگرسیون را به منظور شرح روش های کلاسیک انتخاب متغیر شامل روش های رگرسیونی گام به گام بیان می کنیم. سپس روش های نمونه گیری ‎mcmc‎ از جمله نمونه گیری گیبس و روش متروپولیس هستینگس را شرح می دهیم. پس از آن به شرح روش های انتخاب متغیر بیزی در مدل رگرسیون شامل: کیو و مالیک، انتخاب متغیر گیبس ‎(gvs)‎ ، جستجوی تصادفی انتخاب متغیر ‎(ssvs)‎ ، انقباض توافقی و ‎mcmc‎ جهش برگشت پذیر می پردازیم. هدف، بازبینی روش های پیشنهادی برای انتخاب متغیر بیزی می باشد، برخی از این روش ها را دلاپورتاس ‎(2000)‎ بررسی کرده است. در نهایت می بینیم که روش های ‎ssvs‎ ، ‎mcmc‎ جهش برگشت پذیر و انقباض توافقی می توانند بخوبی بکار برده شوند، اما انتخاب روشی که بهتر عمل کند بستگی به پیشین هایی که مورد استفاده قرار می گیرند دارند. مسئله مهم در تحلیل آماری انتخاب مدل بهین از مجموعه مدل های پیشنهادی ممکنه می باشد. در بیشتر مدل ها این مسئله به انتخاب زیر مجموعه ای از متغیرها که باید در مدل قرار بگیرند کاهش یافته است‎.‎ در آخر با ارائه چند مثال روش ها را در ‎winbugs‎ اجرا و نتایج آنها را با هم مقایسه می کنیم.

مدل های نقطه تغییر چندگانه یک چهارچوب قابل تغییر و تفسیر برای نمایش ناهمگونی زمانی در داده ها فراهم می آورد. علاوه بر یافتن مکان های نقاط تغییر، این مدل ها معمولا شامل پارامترهایی هستند که توزیع های داده ها را بین نقاط تغییر و دیگر کمیت ها مشخص می کند. با این حال،مقادیر این پارامترها معمولا نامعلومند و لازم است که از داده ها استنتاج شوند. ما الگوریتم های مونت کارلوی زنجیر مارکوفی جدید را که یک روش مفید برای استنباط تماما بیزی در حضور پارامتر نامعلوم فراهم می کند،توسعه می دهیم.

چکیده ندارد.