تحلیل داده های فضایی-زمانی شمارشی با مدل منعطف گامای شمارشی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 117

فایل این مقاله در 28 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_STAT-15-1_014

تاریخ نمایه سازی: 23 شهریور 1401

چکیده مقاله:

بسیاری از داده های فضایی-زمانی، به ویژه در پزشکی و تصویرسازی بیماری ها، شمارشی هستند. معمولا این نوع داده های شمارشی دارای تغییرپذیری مضاعفی هستند که کارایی مدل پواسون را برای تحلیل آن ها خدشه دار می کند. لحاظ کردن این تغییرپذیری در فرآیند مدل بندی، نقش مهمی در افزایش کارایی تحلیل داده های فضایی-زمانی شمارشی دارد. با این هدف، در این مقاله، یک مدل فضایی-زمانی بیزی جدید با انعطاف بالا برای مدل بندی پراکنش داده ها، به نام گامای شمارشی، معرفی شده است. برای برازش و استنباط این مدل، روش تقریب لاپلاس آشیانی جمع بسته به کار گرفته شده است. برای ارزیابی عملکرد مدل پیشنهادی در مقایسه با مدل های سنتی پواسون و دوجمله ای منفی، از یک مطالعه شبیه سازی استفاده شده است. افزون بر این، کاربست مدل در تحلیل داده های سرطان خون در استان خراسان رضوی، نشان داده شده است.

نویسندگان

مهسا نادی فر

Faculty of Mathematical Sciences, Shahrood University of Technology, Iran.

حسین باغیشنی

Faculty of Mathematical Sciences, Shahrood University of Technology, Iran.

افشین فلاح

Faculty of Science, Imam Khomeini International University, Qazvin, Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Baio, G. (۲۰۱۲), Bayesian Methods in Health Economics, CRC Chapman ...
  • Bauer, C., Wakefield, J., Rue, H., Self, S., Feng, Z. ...
  • Berry, S., Carlin, B., Lee, J. and Muller, P. (۲۰۱۱), ...
  • Besag, J., York, J. and Mollie, A. (۱۹۹۱), Bayesian Image ...
  • Blangiardo, M. and Cameletti, M. (۲۰۱۵), Spatial and Spatio-Temporal Bayesian ...
  • Blangiardo, M., Cameletti, M., Baio, G. and Rue, H. (۲۰۱۳), ...
  • Cameron A. C. and Trivedi P. K. (۲۰۱۳), Regression Analysis ...
  • Cox, D. R. (۱۹۶۲), Renewal Theory, Methuen, London ...
  • Cressie, N. and Wikle, C. K. (۲۰۱۱), Statistics for Spatio-Temporal ...
  • Fuglstad, G. A., Hem, I. G., Knight, I., Rue, H. ...
  • Gelman, A., Hwang, J. and Vehtari, A. (۲۰۱۴), Understanding Predictive ...
  • Gelman, A., Lee, D. and Guo, J. (۲۰۱۵), Stan: A ...
  • Gómez, R. V. (۲۰۲۰), Bayesian Inference with INLA, CRC Press ...
  • Greenland, S. (۲۰۰۶), Bayesian Perspectives for Epidemiological Research: I.Foundations and ...
  • Kharrat, T., Boshnakov, G. N., McHale, I. and Baker, R. ...
  • Knorr-Held, L. (۲۰۰۰), Bayesian Modelling of Inseparable Space-Time Variation in ...
  • Klein, N. and Kneib, T. (۲۰۱۶), Scale Dependent Priors for ...
  • Lunn, D., Spiegelhalter, D., Thomas, A. and Best, N. (۲۰۰۹), ...
  • Lang, S., and Kneib, T. and Brezger, A. (۲۰۰۵), BayesX: ...
  • Li, Y., Brown, P., Rue, H., al Maini, M. and ...
  • Luan, H., Quick, M. and Law, J. (۲۰۱۶), Analyzing Local ...
  • McCullagh, P. and Nelder, J. (۱۹۸۹), Generalized Linear Models, Second ...
  • Martino, S., Aas, K., Lindqvist, O., Neef, L. and Rue, ...
  • Nadifar, M., Baghishani, H., Fallah, A. and Rue, H. (۲۰۱۹), ...
  • Riebler, A., Held, L. and Rue, H. (۲۰۱۲), Estimation and ...
  • Rue, H., Martino, S. and Chopin, N. (۲۰۰۹), Approximate Bayesian ...
  • Sellers, K. F. and Shmueli, G. (۲۰۱۰), A Flexible Regression ...
  • Simpson, D., Rue, H., Riebler, A., Martins, T. G. and ...
  • Spiegelhalter, D. J., Best, N. G., Carlin, B. P. and ...
  • Utazi, E. C., Afuecheta, E. O. and Nnanatu, C. C. ...
  • Watanabe, S. (۲۰۱۳), A Widely Applicable Bayesian Information Criterion, Journal ...
  • Winkelmann R. (۱۹۹۵), Duration Dependence and Dispersion in Count-Data Models, ...
  • Zeviani, W. M., Ribeiro Jr, P. J., Bonat, W. H., ...
  • فلاح، ف.، نادی فر، م. و کاظمی، ر. (۱۳۹۲)، مدل ...
  • نمایش کامل مراجع