---

در این مقاله مقایسه بین دو روش بیزی و کلاسیک در آزمون های فرضیه برای توزیع نمایی همراه با یک پارامتر مزاحم در نظر گرفته شده است. در حالت اول با استفاده از یک توزیع پیشین معین، احتمال پسین به دست آمده و با مقدار احتمال مقایسه می شود. در حالت دوم بزرگترین کران پایین احتمال پسین تحت یک رده معقول از توزیع های پیشین با مقدار احتمال مقایسه می شود. نشان داده شده است که حتی با حضور پارامتر مزاحم در مدل، این دو روش منجر به نتایج متفاوتی در استنباط آماری می شوند.

---

---

 الگوریتم تقویت، الگوریتمی ترکیبی برای کاهش عدم توازن و واریانس  از خانوادۀ الگوریتم‌های یادگیری ماشین در حوزۀ یادگیری با نظارت  است. ‌ این الگوریتم، روشی برای تبدیل سیستم‌های یادگیری ضعیف به سیستم قوی بر اساس ترکیب نتایج مختلف است.  پس از انتخاب متغیر‌ها و ساخت مدل اولیه، با تنظیم نرخ یادگیری و سایر پارامتر‌های الگوریتم تقویت، مدل‌های ضعیف به مدل قوی‌تری برای برازش به داده‌ها تبدیل می‌شود.
در این مقاله مدل‌های آمیخته با اثرات تصادفی  برای کوچک نواحی در نظر گرفته شده که در آن خطاها از مدل $AR-GARCH$ پیروی می‌کنند.  به‌منظور  انتخاب متغیر در این مدل‌ها برای کوچک نواحی، الگوریتم تقویت پیشنهاد شده است. با داده‌های شبیه‌سازی شده و داده‌های مالیاتی، عملکرد الگوریتم تقویت  در انتخاب متغیر با  روش‌های کلاسیک انتخاب متغیر مورد مطالعه قرار گرفته است. نتایج  نشان می‌دهند الگوریتم تقویت عملکرد بهتری در انتخاب متغیر  برای کوچک نواحی دارد.