استنباط درستنمایی در مدل رگرسیونی لوژستیکی اثرهای تصادفی با بدرده بندی پاسخ و متغیر کمکی در معرض خطای اندازه گیری
مدل های آمیخته ی خطی تعمیم یافته، روش های متداولی به منظور تحلیل داده های گروه بندی شده هستند. در بسیاری از مطالعه های طولی و بررسی های اپیدمیولوژیکی همراه با ساختار سلسله مراتبی، اندازه گیری های دقیق متغیرها، غیر ممکن و گاهی هزینه بر است و حتی موقعیت هایی وجود دارد که ممکن است متغیرهای پاسخ و پیشگو، هر دو در معرض خطای اندازه گیری باشند. در بسیاری از مواقع، عدم حساسیت نسبت به خطا، در متغیر پاسخ و یا متغیر پیشگو، منطقی به نظر نمی رسد. به طور طبیعی، هنگام مدل بندی پاسخ ها با کمک رگرسیون ناخطی و به منظور استنباط مناسب، وجود خطای رده بندی برای پاسخ های دودویی و خطای اندازه گیری در پیشگوها را باید در تحلیل در نظر گرفت. در مقاله ی حاضر، با استفاده از رویکرد مربع بندی گاوس-هرمیت چندمتغیری برای تقریب تابع درست نمایی، روشی برای تعدیل بدرده بندی تفکیک ناپذیر در پاسخ های دودویی وابسته و همچنین خطای اندازه گیری کلاسیک در متغیرهای پیشگو ارایه خواهد شد. سپس مطالعه ی شبیه سازی برای بررسی اثر تصحیح خطای اندازه گیری و بدرده بندی بر براورد پارامترهای رگرسیونی انجام خواهد شد. به علاوه، کاربست رویکرد مربع بندی گاوس-هرمیت چندمتغیری در مواجهه با خطاهای مورد اشاره هنگام تحلیل داده ی واقعی مرتبط با روش های پیشگیری از بارداری زنان بنگلادشی با مدل های چندسطحی نشان داده می شود.
- 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.