کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947029 1439560 2017 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Kernel-based random effect time-varying coefficient model for longitudinal data
ترجمه فارسی عنوان
مدل ضریب متغیر زمانی تصادفی مبتنی بر هسته برای داده های طولی
کلمات کلیدی
اعتبار متقابل کلی، تکنولوژی هسته، کمترین مربعات از ماشین بردار پشتیبانی می کند، داده های طولی، انتخاب مدل، اثر تصادفی مدل ضریب متغیر زمان
ترجمه چکیده
بسیاری از تلاش ها برای توسعه روش های برآورد موثر برای مدل های داده های طولی داده های پارامتری و غیر پارامتری اختصاص داده شده است. مدل رگرسیون ضریب متغیر توجه زیادی به عنوان یک ابزار مهم برای مدل سازی رابطه بین پاسخ و یک گروه از متغیرهای پیش بینی شده دریافت کرده است. مدل ضریب متغیر به خصوص در تجزیه و تحلیل داده های طولی مفید است. برای تجزیه و تحلیل داده های طولی، یک مدل ضریب متغیر زمانی به صورت تصادفی پیشنهاد شده است که بر اساس اصل اساسی ماشین بردار پشتیبانی از کمترین مربعات همراه با تکنولوژی هسته است. برای تعیین سطح تحمل و پارامترهایی که بر عملکرد مدل پیشنهادی تاثیر می گذارند، روش اعتبارسنجی تعمیم یافته نیز در نظر گرفته شده است. مدل پیشنهادی از طریق مطالعات عددی ارزیابی می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Lots of efforts have been devoted to develop effective estimation methods for parametric and nonparametric longitudinal data models. Varying coefficient regression model has received a great deal of attention as an important tool for modeling the relation between a response and a group of predictor variables. The varying coefficient model is particularly useful in longitudinal data analysis. A random effect time-varying coefficient model is proposed for analyzing longitudinal data, which is based on the basic principle of least squares support vector machine along with the kernel technique. A generalized cross validation method is also considered for choosing the tolerance level and the hyperparameters which affect the performance of the proposed model. The proposed model is evaluated through numerical studies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 267, 6 December 2017, Pages 500-507
نویسندگان
, , ,