کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6870797 681141 2013 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Bayesian dynamic probit models for the analysis of longitudinal data
ترجمه فارسی عنوان
مدل های پروبیت پویا بیزی برای تحلیل داده های طولی
کلمات کلیدی
مدل مارکف، استنتاج بیزی، داده های طولی، مدل خطی پویا، انتخاب مدل،
ترجمه چکیده
نویسندگان یک مدل پویای دینامیکی را در نظر می گیرند که ضرایب فرایند مارکوف مرتبه اول را دنبال می کنند. یک نمونه گربر دقیق گیبس برای تحلیل بیزی برای مدل با استفاده از رویکرد تقویت داده ها و الگوریتم نمونه گیری عقب فیلتر کردن برای مدل های خطی پویا ارائه شده است. نویسندگان بحث می کنند که چگونه رویکرد ما می تواند برای مدل های پویا پویا و همچنین تعمیم های آن از جمله رگرسیون مارکف و مدل های با توابع لینک دانشجویی استفاده شود. یک رویکرد برای مقایسه مدل های ثابت و پویا پروبیت و همچنین انتخاب نظم مارکوف در این کلاس های مدل های پویا ارائه شده است. رویکرد توسعه یافته به برخی داده های واقعی پیاده سازی شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
مدل های پروبیت پویا بیزی برای تحلیل داده های طولی
چکیده انگلیسی
The authors consider a dynamic probit model where the coefficients follow a first-order Markov process. An exact Gibbs sampler for Bayesian analysis is presented for the model using the data augmentation approach and the forward filtering backward sampling algorithm for dynamic linear models. The authors discuss how our approach can be used for dynamic probit models as well as its generalizations including Markov regressions and models with Student link functions. An approach is presented to compare static and dynamic probit models as well as for Markov order selection in these classes of dynamic models. The developed approach is implemented to some actual data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 68, December 2013, Pages 388-398
نویسندگان
, ,