Bayesian Dynamic Generalized Linear Models in Non-Conjugated Models
Message:
Abstract:
Forecasting the future status for underlying systems or random process, is one of the most important problems. In such situations, in addition to variables, the parameters may vary during the time and hence, the independence assumption between variables and parameters is broken. For analyzing this systems, usually the dynamic generalized linear models are used based on Markov chain Monte Carlo algorithm. The purpose of this paper is applying the Bayesian dynamic generalized linear models in non-conjugate discrete structures. First, the concepts of dynamic generalized linear models are reviewed. Then, the Bayesian modeling of non-conjugated discrete structures using MCMC algorithm is studied. Finally, using the investigated model the real data set related to the economic activity condition in three provinces of Iran during the years 2006-2008 are analysed.
Language:
Persian
Published:
Journal of Statistical Sciences, Volume:5 Issue: 2, 2012
Page:
127
magiran.com/p1122665  
برخی از خدمات از جمله دانلود متن مقالات تنها به مشترکان مگیران ارایه می‌گردد. شما می‌توانید به یکی از روش‌های زیر مشترک شوید:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 700,000ريال می‌توانید 100 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • دسترسی به متن مقالات این پایگاه در قالب ارایه خدمات کتابخانه دیجیتال و با دریافت حق عضویت صورت می‌گیرد و مگیران بهایی برای هر مقاله تعیین نکرده و وجهی بابت آن دریافت نمی‌کند.
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.