کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869388 681363 2016 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Gaussian quadrature approximations in mixed hidden Markov models for longitudinal data: A simulation study
ترجمه فارسی عنوان
تقریب های کوادراتوس گاوس در مدل های ترکیبی مخفی مارکوف برای داده های طولی: یک مطالعه شبیه سازی
کلمات کلیدی
مدل های مخفی مارکوف، پارامترهای تصادفی ثابت زمان و زمان متغیر، چهارگوشه گاوس سازگار، خانوادگی نمایشی،
ترجمه چکیده
مدل مخلوط پنهان مارکوف یک ابزار جالب برای تجزیه و تحلیل داده های طولی است. آنها اجازه می دهد تا برای هر دو منبع زمان ثابت و زمان متغیر ناهمگن غیر قابل مشاهده، که در این نوع مطالعات مکرر است، حساب می شود. ویژگی های خصوصی نهفته فردی که ممکن است در طول زمان ثابت یا متغیر باشند، در پیش بینی کننده خطی گنجانده شده و منجر به شکل کلی وابستگی بین اندازه گیری های فردی می شود. هنگامی که توزیع پارامتری (پیوسته) با پارامترهای تصادفی ثابت زمانی مرتبط است، فرایند برآورد نیاز به محاسبه انتگرال های چندگانه دارد. اینها، به طور کلی، یک فرم بسته ندارند و باید عددی تقریبی باشند. هدف این مقاله، مقایسه مقادیر استاندارد، تقریبی تطبیقی ​​و تقریب پذیر تقریب پذیری گواسی با استفاده از یک مطالعه شبیه سازی بزرگ در مقیاس بزرگ است، در حالیکه پاسخ های مداوم و گسسته با تراکم شرطی در خانواده های نمایشی در نظر گرفته می شود. نتایج شبیه سازی نشان می دهد که خطای تقریبی اغلب کاهش قابل توجهی می یابد زمانی که قوانین کوانتومی سازگار در جای جای استاندارد قرار می گیرند. چنین بهبودی در هزینه یک پیچیدگی محاسباتی بالاتر زمانی که طرح کاملا سازگار استفاده می شود. نشان داده شده است که هنگامی که تعداد کافی اندازه گیری های مکرر در هر واحد در دسترس است، چهار بعدی مجذور پویا سازگار نشان دهنده سازگاری مناسب بین کیفیت نتایج و پیچیدگی محاسباتی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Mixed hidden Markov models represent an interesting tool for the analysis of longitudinal data. They allow to account for both time-constant and time-varying sources of unobserved heterogeneity, which are frequent in this kind of studies. Individual-specific latent features, which may be either constant or varying over time, are included in the linear predictor and lead to a general form of dependence between individual measurements. When a parametric (continuous) distribution is associated to time-constant random parameters, the estimation process requires the calculation of (multiple) integrals. These, generally, have not a closed form and should be numerically approximated. The aim is to compare the standard, the adaptive and the pseudo-adaptive Gaussian quadrature approximations by means of a large scale simulation study, where continuous and discrete responses with (conditional) density in the exponential family are considered. Simulation results show that the approximation error is often substantially reduced when the adaptive quadrature rules are considered in place of the standard one. Such an improvement comes at the cost of a higher computational complexity when the fully adaptive scheme is applied. It is shown that, when a sufficient number of repeated measurements per unit is available, the pseudo-adaptive quadrature represents a convenient compromise between quality of results and computational complexity.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 94, February 2016, Pages 193-209
نویسندگان
, ,