---

---

این مقاله برآوردگرهای انقباضی نوع-لیو را برای ضرایب مدل رگرسیونی خطی با حضور هم‌خطی چندگانه تحت اﻃﻼﻋﺎت زیﺮﻓﻀﺎ پیشنهاد می‌دهد. عملکرد برآوردگرهای معرفی شده از نظر کارایی نسبی آن‌ها از طریق شبیه‌سازی مونت کارلو و یک مجموعه داده واقعی با برآوردگر نوع-لیو مقایسه می‌شود. نتایج آشکار می‌کنند که برآوردگرهای معرفی شده نسبت به برآوردگر نوع-لیو عملکرد بهتری دارند.

---

در این مقاله، به برآورد ناپارامتری ساختار همبستگی نامانا در داده‌های فضایی با اندازه بزرگ پرداخته می‌شود. روش پیشنهادی، رویکردی بیزی مبتنی بر گروه‌بندی است که توسعه‌ای از تقریب وکیا محسوب می‌شود و بر فرض استقلال شرطی داده‌های مرتب‌شده بنا شده است. این فرض منجر به تنک‌سازی ماتریس دقت و تجزیه چولسکی تنک می‌گردد و امکان مدل‌سازی فرایند گاوسی $n$-متغیره را به‌صورت دنباله‌ای از رگرسیون‌های خطی بیزی فراهم می‌آورد. مرتب‌سازی داده‌ها با روش ماکسیمم ‌کردن کمترین فاصله، عملکرد مدل را بهبود می‌بخشد. افزون‌براین، اعمال الگوریتم گروه‌بندی روی داده‌های مرتب‌شده با حذف وابستگی‌های ضعیف بین موقعیت‌ها، ساختار کوواریانس را به‌صورت بلوک‌بندی‌شده و فوق‌العاده تنک تعریف می‌کند که منجر به کاهش چشمگیر بار محاسباتی و افزایش دقت مدل می‌شود. نتایج شبیه‌سازی و تحلیل داده‌های واقعی نشان می‌دهد که نمونه‌های به‌دست‌آمده از توزیع پسین، بازه‌های عدم قطعیت کوچکتری نسبت به روش‌های بدون گروه‌بندی دارند.