کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6870425 | 681394 | 2014 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Bayesian binary regression with exponential power link
ترجمه فارسی عنوان
رگرسیون دودویی بیزین با پیوند قدرت نمایی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
روش های بیزی، داده های باینری، افزایش اطلاعات، توزیع قدرت نمایشی، مدل های خطی کلی، نمونه برداری گیبس،
ترجمه چکیده
برای توصیف وابستگی داده های باینری به متغیرهای توضیحی، یک رویکرد بیزی انسانی به یک مدل خطی تعمیم یافته پیشنهاد شده است. معکوس از عملکرد توزیع توزیع قدرت نمایشی به عنوان لینک به مدل رگرسیون باینری استفاده می شود. خانواده قدرت نمایی توزیع را با هر دو عنصر سبک تر و سنگین تر نسبت به توزیع نرمال فراهم می کند و شامل عادت و تقریب توزیع لجستیک به عنوان موارد خاص است. ایده استفاده از چارچوب تقویت داده ها و نمایش مخلوط توزیع قدرت نمایشی برای استخراج الگوریتم های نمونه گیری گیبس برای هر دو از تنظیمات اطلاعاتی و غیر اطلاعات استفاده می شود. بعضی از مثال ها برای نشان دادن عملکرد روش پیشنهاد شده در مقایسه با سایر مدل های رقابتی ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
A flexible Bayesian approach to a generalized linear model is proposed to describe the dependence of binary data on explanatory variables. The inverse of the exponential power cumulative distribution function is used as the link to the binary regression model. The exponential power family provides distributions with both lighter and heavier tails compared to the normal distribution, and includes the normal and an approximation to the logistic distribution as particular cases. The idea of using a data augmentation framework and a mixture representation of the exponential power distribution is exploited to derive efficient Gibbs sampling algorithms for both informative and noninformative settings. Some examples are given to illustrate the performance of the proposed approach when compared with other competing models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 71, March 2014, Pages 464-476
Journal: Computational Statistics & Data Analysis - Volume 71, March 2014, Pages 464-476
نویسندگان
L. Naranjo, J. MartÃn, C.J. Pérez,