Regression Modeling Via T-Lasso Bayesian Method
Ali Shadrokh, Zahra Khadembashiri, Masoud Yarmohammadi · DOAJ (DOAJ: Directory of Open Access Journals) · 2021
انتخاب مدل بهینه یکی از بحث‌های مهم در مدل‌های رگرسیونی است. هدف روش‌های انتخاب مدل بهینه در مدل‌های رگرسیونی این است که متغیرهای توضیحی مهم و متغیرهای قابل اغماض را تعیین نموده و رابطه‌ی بین متغیر پاسخ و متغیرهای توضیحی را به‌طور ساده‌تر بیان کند. با توجه به محدودیت‌های فرآیندهای کلاسیک انتخاب متغیر از قبیل انتخاب گام به گام، می‌توان از روش‌های رگرسیون تاوانیده استفاده کرد. یکی از مدل‌های رگرسیون تاوانیده، رگرسیون لاسو است که در آن فرض می‌شود خطاها از توزیع نرمال پیروی می‌کنند. برای تحلیل آماری مجموعه داده‌ها در حضور مشاهدات دورافتاده، می‌توان به جای توزیع نرمال از توزیع t-استیودنت برای خطا استفاده کرد. در این مقاله، روش انتخاب متغیری تحت عنوان مدل رگرسیون تی لاسو بیزی برای تحلیل داده‌ها در حضور مشاهدات دورافتاده، پیشنهاد می‌دهیم. مدل رگرسیون تی لاسو بیزی با دو نمایش متفاوت از تابع چگالی پیشین لاپلاس برای ضرایب مدل رگرسیونی مورد بررسی قرار می‌گیرد، به این صورت که ابتدا تابع چگالی لاپلاس به صورت توزیع آمیخته-مقیاس نرمال و سپس به صورت توزیع آمیخته-مقیاس یکنواخت نمایش داده می‌شود. سپس با استفاده از روش‌های شبیه‌سازی و تحلیل داده‌های واقعی، ارجحیت روش رگرسیون تی لاسو بیزی با نمایش تابع چگالی لاپلاس به صورت آمیخته-مقیاس یکنواخت نسبت به نمایش آمیخته-مقیاس نرمال نشان داده می‌شود.