The joint projected normal and skew-normal: A distribution for poly-cylindrical data

در این مقاله یک توزیع چندگانه خطی (یا چندضلعی) به دست می آید که با ترکیب پیش بینی شده و عادت غلط است. ما انعطاف پذیری پیشنهاد ما را نشان می دهیم، بسته شدن آن را تحت حاشیه قرار دادن و چگونگی اندازه گیری وابستگی چند متغیره. با توجه به مسئله غیر قابل شناسایی که پیشنهاد ما از عادی پیش بینی شده به ارث برده، یک مشکل محاسباتی بوجود می آید. ما در چارچوب بیزی آن را غلبه می دهیم، اضافه کردن متغیرهای پنهان مناسب و نشان دادن اینکه نمونه های خلفی را می توان با پردازش پس از خروجی الگوریتم برآورد بدست آورد. در زیر گزینه های پیشین خاص، این روش ما را قادر می سازد الگوریتم مونت کارلو زنجیره مارکوف را با تکیه بر مراحل گیبس، که در آن به روز رسانی پارامترها انجام می شود، مثل اینکه ما با یک احتمال طبیعی چند متغیره کار می کنیم. رویکرد پیشنهادی همچنین می تواند با نرمال پیش بینی شده مورد استفاده قرار گیرد. به عنوان یک اثبات مفهوم، در نمونه های شبیه سازی شده توانایی الگوریتم ما در بازیابی مقادیر پارامترها و حل مشکل شناسایی را نشان می دهد. سپس پیشنهاد در یک نمونه واقعی داده شده استفاده می شود، جایی که زاویه چرخش (متغیرهای دایره ای) و لگاریتم گام به گام (متغیرهای خطی) چهار ژیبر مدل سازی می شوند.