[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
اطلاعات نشریه::
آرشیو مجله و مقالات::
ثبت نام و اشتراک::
ارسال مقاله::
پایگاه‌های مرتبط::
برای داوران::
اخلاق در پژوهش::
تماس با ما::
تسهیلات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
Google Scholar Metrics

Citation Indices from GS

AllSince 2020
Citations4817
h-index32
i10-index00
..
ثبت شده در

AWT IMAGE


..
نماد اعتماد الکترونیکی
..
آمار نشریه
تعداد دوره های نشریه: 19
تعداد شماره ها: 38
تعداد مشاهده ی مقالات: 3430013
تعداد دریافت (دانلود) مقالات: 916720

مقالات دریافت شده: 863
مقالات پذیرفته شده: 360
مقالات رد شده: 491
مقالات منتشر شده: 357

نرخ پذیرش: 41.71
نرخ رد: 56.89

میانگین دریافت تا پذیرش: 402 روز
میانگین دریافت تا اولین داوری: 5.7 روز
میانگین پذیرش تا انتشار: 510.2 روز
____
..
:: جلد 18، شماره 2 - ( 12-1403 ) ::
جلد 18 شماره 2 صفحات 0-0 برگشت به فهرست نسخه ها
مدل‌بندی رگرسیون تکه‌ای همراه با خطاهای مخلوط مقیاسی نرمال
فرزانه هاشمی*
چکیده:   (1067 مشاهده)
یکی از پرکاربردترین مباحث آماری، مسایل رگرسیونی است. در مسایل رگرسیونی فرض اساسی بر روی خطاها، نرمال بودن آنهاست که این فرض در برخی موارد به سبب وجود ویژگی‌های عدم تقارن یا مکان‌های شکست در داده‌ها برقرار نمی‌باشد. مدل‌ رگرسیون تکه‌ای یکی از راه‌های برون رفت در شرایط نرمال نبودن خطاهاست که  به‌طور گسترده در حوزه‌های مختلفی به کار گرفته شده‌اند، که در آن‌ها تشخیص نقطه شکست مهم است و مکان‌های شکست در مدل‌های رگرسیون تکه‌ای برای دانستن زمان و چگونگی تغییر الگوی ساختار داده ضروری است. یکی از مشکلات عمده در این داده‌ها وجود دم سنگینی است که با استفاده از برخی توزیع‌ها که به عنوان تعمیمی از توزیع نرمال هستند این مشکل برطرف شده است. در این مقاله بر اساس توزیع مخلوط مقیاسی نرمال، مدل رگرسیونی تکه‌ای مورد بررسی قرار خواهد گرفت که می‌توان به جای نرمال با به کار گیری تعمیم‌هایی از توزیع نرمال این مشکل را برطرف نمود. همچنین این مدل با مدل رگرسیون تکه‌ای استاندارد که برگرفته از خطاهای نرمال است مورد مقایسه قرار خواهد گرفت.
واژه‌های کلیدی: الگوریتم ‎$‎mbox{EM}‎$‎‌‌، توزیع مخلوط مقیاسی نرمال‌‌، ‌ رگرسیون‎ تکه‌ای‌، نقطه شکست.
متن کامل [PDF 472 kb]   (626 دریافت)    
نوع مطالعه: پژوهشی بنیادی | موضوع مقاله: استنباط آماری
دریافت: 1403/3/2 | پذیرش: 1403/3/10 | انتشار: 1403/9/12
فهرست منابع
1. جلیلی، م.، بشیری، م.، منطقی، م. و توفیق، ع. (1395)، توسعه رویکردی مبتنی بر رگرسیون تکه ای برای پایش پروفایل های خطی چندگانه با اثرات متقابل در فاز، مهندسی و مدیریت کیفیت، 6، 237-249.
2. جعفری، ف.، و گلعلی‌زاده، م. (1402)، مدل‌بندی رگرسیونی چندکی آمیخته تاوانیده دوگانه از طریق رویکرد درستنمایی، مجله علوم آماری، 17، 389-405.
3. Birnbaum, Z. W., ‎and‎ Saunders, S. C. (1969), A New Family of Life Distributions, Journal of Applied Probability, ‎6 (2), 319-327.‎‎ [DOI:10.2307/3212003]
4. Chang, S. T. and Lu, K. P. (2016), Change-Point Detection for Shifts in Control Charts Using EM Change-Point Algorithms, Quality and Reliability Engineering International, ‎32, 889-900.‎‎ [DOI:10.1002/qre.1800]
5. Chang, S. T, Lu, K. P. and Yang, M. S. (2015), Fuzzy Change-Point Algorithms for Regression Models, IEEE Transactions on Fuzzy Systems, ‎23 (6), 2343-2357.‎‎ [DOI:10.1109/TFUZZ.2015.2421072]
6. Chen, C. W. S., Chan, J. S., Gerlach K. R., and Hsieh, W. Y. L. (2011), A Comparison of Estimators for Regression Models with Change Points, Statistics and Computing, ‎21, 395-414. [DOI:10.1007/s11222-010-9177-0]
7. Ciuperca, G. (2009), The M-Estimation in a Multi-Phase Random Nonlinear ‎Model,‎ Statistics & Probability Letters, ‎75, 573-580. [DOI:10.1016/j.spl.2008.10.003]
8. Ciuperca, G. (2011), A General Criterion to Determine the Number of Change-Points, Statistics & Probability Letters, ‎81, 1267-1275. [DOI:10.1016/j.spl.2011.03.027]
9. Ciuperca, G. (2004), Maximum Likelihood Estimator in a Two-Phase Nonlinear Regression Model, Statistics & Decisions, ‎22, 335-34‎9.‎ [DOI:10.1524/stnd.22.4.335.64312]
10. Ciuperca, G. and Dapzol, N. (2008), Maximum Likelihood Estimator in a Multi-Phase Random Regression Model, Statistics, ‎42, 363-381 [DOI:10.1080/02331880801980310]
11. Dempster, A. P., Laird N. M., and Rubin D. B. (1977), Maximum Likelihood From Incomplete
12. Data via the EM-Algorithm, Journal of the Royal Statistical Society. Series B (methodological), ‎39, 1-38.‎
13. Fearnhead, P. (2006), Exact and Efficient Bayesian Inference for Multiple Change-Point Problems, Statistics and Computing, ‎16, 203-213. [DOI:10.1007/s11222-006-8450-8]
14. Jafari, F. and Golalizadeh, M. (2024), Double Penalized Mixed Effects Quantile Regression Modeling Using the Maximum Likelihood Approach, Journal of Statistical Sciences, 17(2), 389-405. [DOI:10.61186/jss.17.2.2]
15. Jalili, M., Bashiri, M., Manteghi, M. and Tofigh, A. A. (2017). Development of a Piecemeal Regression-Based Approach for Monitoring Multiple Linear Profiles with Phase Interactions. Journal of Quality Engineering and Management, 6(4), 237-249.
16. Julious, S. A. ‎(2001).‎ Inference and Estimation in a Change Point Regression Problem, Journal of the Royal Statistical Society Series D, ‎‎‎‎50, 51-61.‎‎ [DOI:10.1111/1467-9884.00260]
17. Karl, T.R., Knight, R.W. and Baker, B. (2000), The Record Breaking Global Temperatures of 1997 and 1998‎:‎ Evidence for an Increase in the Rate of Global Warming?, Geophysical Research Letters, ‎27 (5), 719-722 ‎ [DOI:10.1029/1999GL010877]
18. Keshavarz, M. and Huang, B. (2014a),‎ Bayesian and Expectation Maximization Methods for Multivariate Change-Point Detection, Computers & Chemical Engineering, ‎60, 339-353. [DOI:10.1016/j.compchemeng.2013.09.012]
19. Keshavarz M. and Huang, B. (2014b)‎,‎‎ Expectation Maximization Method for Multivariate Change-Point Detection in Presence of Unknown and Changing Covariance, Computers & Chemical Engineering, ‎69, 128-146. [DOI:10.1016/j.compchemeng.2014.06.016]
20. Loschi, R. H., Pontel, J. G. ‎and‎ Cruz F. R. B. (2010), Multiple Change-Point Analysis for Linear Regression models, Chilean Journal of Statistics, ‎1, 93-112.‎‎
21. Lu, K. P., and Chang, S. T. (2021), Robust Algorithms for Change-Point Regressions Using the t-Distribution, Mathematics, 9, 2394. [DOI:10.3390/math9192394]
22. Menne, J. M. (2005), Abrupt Global Temperature Change and the Instrumental Record, In: Record, 18th Conference on Climate Variability and Change.
23. Muggeo, V. M. ‎R.‎ (2008), Segmented: an R package to Fit Regression Models with Broken-Line Relationships, R News, ‎8, 20-25. ‎
24. von Ottenbreit, M., and De Bin, R. (2024), Automatic Piecewise Linear regression, Computational Statistics, 1-41.‎ [DOI:10.1007/s00180-024-01475-4]
25. ‎Yang,‎ F. (2014)‎, Robust Mean Change-Point Detecting Through Laplace Linear Regression Using EM Algorithm, Journal of Applied Mathematics, 2014 (1): 856350. [DOI:10.1155/2014/856350]
26. Yildirim S., Singh S.S., and Doucet A. (2014), An Online Expectation-Maximization Algorithm for Change-Point Models, Journal of Computational and Graphical Statistics, ‎22(4), 906-26‎. [DOI:10.1080/10618600.2012.674653]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hashemi F. Piecewise Regression Model Based on Scale Mixture Normal Distribution. JSS 2025; 18 (2)
URL: http://jss.irstat.ir/article-1-896-fa.html

هاشمی فرزانه. مدل‌بندی رگرسیون تکه‌ای همراه با خطاهای مخلوط مقیاسی نرمال. مجله علوم آماری. 1403; 18 (2)

URL: http://jss.irstat.ir/article-1-896-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
جلد 18، شماره 2 - ( 12-1403 ) برگشت به فهرست نسخه ها
مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران Journal of Statistical Sciences

Persian site map - English site map - Created in 0.06 seconds with 45 queries by YEKTAWEB 4710