در مدلهای پارامتر مبنا، مشکل اساسی ترقیب درستنمایی این مدل و در واقع برآورد پارامترهای مدل است. یک روش برخورد با این مشکل استفاده از درستنمایی های ساده تر مانند درستنمایی مرکب است. در این مقاله پس از معرفی مدلهای پارامتر مبنا و درستنمایی مرکب، به معرفی یک ملاک انتخاب مدل مبتنی بر درستنمایی مرکب پرداخته ایم. در ادامه با استفاده از شبیه سازی، توانایی درستنمایی مرکب را در استنباط و انتخاب مدل صحیح در مدلهای پارامتر مبنا نشان داده ایم

یک چالش اساسی در استنباط مدل‌های آمیخته، معرفی معیارهای کارا برای انتخاب مدل است. منبع اصلی این چالش نیز برازش و محاسبه ماکسیمم تابع درستنمایی مدل می‌باشد. داده تاگی روش جدیدی است که برای برازش کارای مدل‌های آمیخته با روش ماکسیمم درستنمایی پیشنهاد شده است. این روش، اخیرا، طرفداران زیادی پیدا کرده است و مشکلات عمده سایر روش‌های استنباط مبتنی بر درستنمایی در مدل‌های آمیخته را ندارد. یکی از معایب این روش، عدم توانایی محاسبه مقدار ماکسیمم تابع درستنمایی است. این مقدار یک کمیت کلیدی در معرفی و محاسبه معیارهای انتخاب مدل محسوب می‌شود. بنابراین به‌نظر می‌رسد با روش داده تاگی نمی‌توان یک معیار اطلاع مناسب، به‌طور مستقیم، برای یافتن بهترین مدل در رده مدل‌های آمیخته، تعریف کرد. این پژوهش تلاشی است در جهت نقض این باور. در این مقاله، یک معیار مبتنی بر روش داده تاگی معرفی می‌شود و عملکرد آن در یک مطالعه شبیه‌سازی مورد ارزیابی قرار می‌گیرد.

داده‌های شمارشی زمین‌آماری در جوامع متناهی در کاربردهای مختلفی، مثل مدیریت شهری و پزشکی، دیده می‌شوند. مدل معمول برای تحلیل این نوع پاسخ‌ها، مدل لوجیت-دوجمله‌ای فضایی است. در اکثر موقعیت‌های کاربردی، این نوع داده‌ها جدا از تغییرپذیری فضایی دارای بیش‌پراکندگی هستند که مدل دوجمله‌ای توانایی مدل‌بندی آن را ندارد. رهیافت جانشین در این حالت، یک مدل بتا-دوجمله‌ای است که از انعطاف لازم برای لحاظ کردن بیش‌پراکنشی موجود در داده‌ها برخوردار است. در این مقاله، ابتدا برازش مدل بتا-دوجمله‌ای فضایی برای داده‌های شمارشی زمین‌آماری با یک رهیافت بیزی ترکیبی مبتنی بر تقریب لاپلاس آشیانی جمع‌بسته و معادلات دیفرانسیل جزیی تصادفی توصیف می‌شود. سپس این مدل، در یک مطالعه موردی، برای تحلیل تعداد تصادف‌های منجر به جرح یا فوت در شهر مشهد به‌کار گرفته می‌شود. همچنین با یک مطالعه شبیه‌سازی، عملکرد مدل پیشنهادی ارزیابی می‌شود.

داده‌های حاصل از اندازه‌گیری شاخص‌های مالی و اقتصادی، مانند قیمت مسکن، عموما به‌طور فضایی همبسته و ناهمگن هستند. مدل‌های اقتصادسنجی فضایی برای لحاظ کردن وابستگی موجود در این داده‌ها پرطرفدار هستند. اما مدل‌بندی کارای ناهمگنی فضایی هنوز مورد سوال است. معمولا از رگرسیون وزنی جغرافیایی برای مدل‌بندی ناهمگنی موضعی داده‌های فضایی استفاده می‌شود. این رده از مدل‌ها برای داده‌های فضایی همگن در چند زیرناحیه، بیش از حد پیچیده هستند. در این مقاله، از یک رهیافت مبتنی بر خوشه‌بندی فضایی برای شناسایی زیرنواحی همگن استفاده می‌شود. سپس، در هر زیرناحیه، مدل‌های اقتصادسنجی فضایی بیزی به داده‌ها برازش داده می‌شوند. با توجه به پیچیدگی توزیع پسین مدل‌های پیشنهادی و دوری از مشکلات الگوریتم‌های MCMC، از روش تقریب لاپلاس آشیانه‌ای جمع‌بسته استفاده می‌شود. آنگاه در یک مطالعه شبیه‌سازی، عملکرد رهیافت پیشنهادی ارزیابی و نحوه کاربست رهیافت دومرحله‌ای پیشنهادی برای تحلیل داده‌های قیمت مسکن در شهر مشهد ارائه خواهد شد.