فهرست مطالب
نشریه ندا
سال پانزدهم شماره 1 (بهار و تابستان 1396)
- تاریخ انتشار: 1396/06/06
- تعداد عناوین: 5
-
صفحات 1-14در این نوشتار مروری خواهیم داشت بر سیر تاریخی فرایندهای تصادفی و دانشمندانی که دستاوردهای چشمگیری در این زمینه داشته اند.کلیدواژگان: حرکت براونی، زنجیرهای مارکف، فرایندهای تصادفی، مارتینگل، انتگرال تصادفی
-
صفحات 15-30تعمیمی از توزیع نمایی خطی، به نام توزیع نمایی خطی تعمیم یافته اخیرا توسط محمود و علم] [1] 1 [ارائه شد. توزیع های نمایی خطی تعمیم یافته دیگری، توسط سرهان و کاندو[2] ] 2, 1 [ معرفی شدند. در مقاله حاضر دو تعمیم کلی از توزیع نمایی خطی را ارائه می کنیم. این توزیع جدید بسیار با اهمیت است زیرا شامل زیرمدل هایی خاص است که تعدادی از آن ها توزیع هایی شناخته شده هستند مانند توزیع وایبول نمایی شده و تعداد زیادی از توزیع های دیگر. این مدل همچنین مدلی انعطاف پذیردر تحلیل مجموعه داده های واقعی پیچیده می باشد. تعدادی از ویژگی های آماری توزیع جدید را ارائه می کنیم. سه مجموعه از داده های واقعی، با استفاده از توزیع جدید، تحلیل می شوند و دلالت بر این دارند که توزیع نمایی خطی تعمیم یافته نمایی شده، مدلی موثر در تجزیه و تحلیل داده های واقعی طول عمر می باشد.کلیدواژگان: تئوری توزیع، تئوری برآورد، تحلیل قابلیت اطمینان
-
صفحات 31-40تکنیک های برآوردیابی پارامترهای موجود در مدل های آماری امروزه بسیار به چالش کشیده شده است. در حالت کلی این تکنیک ها به دو دسته ی احتمالی و غیره احتمالی تقسیم می شود. روش های احتمالی به ویژه زنجیر مارکوف مونت کارلو (MCMC) ، با وجود دقت بالا، دارای روند بسیار کند در برآورد پارامترها می باشد. از این رو، برای رفع این کندی در روند برآورد از تکنیک غیره احتمالی با عنوان تقریب تغییرات با استفاده از محدودیت میانگین میدان تغییرات بیز (MFVB) می پردازیم. که این معیار بسیار سریعتر از MCMC و در عین حال دارای دقت بالایی نیز می باشد.کلیدواژگان: تقریب تغییرات، میانگین میدان تقریب تغییرات، زنجیر مارکوف مونت کارلو
-
صفحات 41-51در مطالعات رگرسیونی، زمانی که بین متغیرهای مستقل همبستگی بالایی وجود داشته باشد استفاده از روش های معمول از جمله روش کمترین مربعات معمولی باعث ناپایداری واریانس برآوردها می شود. یک راه حل معمول، استفاده از روش کمترین مربعات جریمه دار است که در آن برای مقادیر بزرگ برآوردگرها، جریمه بالایی در نظر گرفته می شود و به نوعی تغییرات برآوردگر تحت کنترل در می آید. مورد دیگر استفاده از رگرسیون جریمه دار در مدل های با ابعاد بالا یعنی مدل هایی با تعداد زیادی متغیر مستقل است. در این مدل ها تلاش می شود از ضرایب " نزدیک به صفر " حتی الامکان صرف نظر گردد تا فقط متغیرهایی در مدل باقی بمانند که تاثیر کاملا معنی داری در متغیر وابسته دارند. در این مقاله تلاش شده است ضمن مرور مختصری بر روش کمترین مربعات جریمه دار، رگرسیون جریمه دار و نحوه عملکرد این روش در برازش مدل هایی با ابعاد بالا مورد مطالعه و بررسی قرار گیرد. با ارائه دو سری داده واقعی، درستی بعضی از روابط و برتری این روش در مقایسه با سایر روش ها تحقیق شده است و سپس از برآوردهای این روش در تحلیل داده ها مورد استفاده قرار گرفته است.کلیدواژگان: انتخاب متغیر، برآوردیابی، ستیغی، لاسو، الاستیک نت، ماتریس لاپلاس، شبکه مقید، داده های با ابعاد بالا
-
صفحات 52-60در این مقاله پس از معرفی برآوردگر چگالی و رگرسیون ناپارامتری هسته ای، اثرات کران معرفی خواهد شد، در ادامه به معرفی روش های اصلاح اثرات کران می پردازیم و در انتها دو دلیل استفاده ی محدود از این روش ها را معرفی خواهیم کرد.کلیدواژگان: رگرسیون هسته ای، برآوردگر چگالی هسته ای، اثرات کران