دانلود مقالات ISI درباره انتخاب متغیر + ترجمه فارسی

انتخاب متغیر(به انگلیسی Variable selection) انتخاب متغیر، یکی از مهم ترین موضوعات در مدل سازی آماری محسوب می شود که کاربرد وسیعی در تحلیل های آماری دارد. بسیاری از روش های انتخاب متغیر با استفاده از مدل رگرسیون خط انجام می شوند. در بین مدل های رگرسیون خطی، مدل رگرسیون تاوانیده از اهمیت خاص برخوردار است و مدل رگرسیون لاسو کاربردی ترین مدل رگرسیون تاوانیده است که در سال های اخیر از دیدگاه آمار بیزی ارائه شده و مورد بررسی قرار گرفته است. در این مقاله، از دیدگاه آمار بیزی، با تعریف توزیع پیشینی روی تعداد پارامترهایی که در مدل تأثیر گذارند، مدل رگرسیون با تاوان لاسو پیشنهاد می شود. چون توزیع پسینی پارامترها شکل بسته ای ندارد، برای استنباط از روش های عددی زنجیر مارکف برگشت پذیر استفاده می شود. شبیه سازی ها نشان می دهند که مدل ارائه شده در مقایسه با سایر روش ها خطای برآورد کمتری دارد. با پیشرفت علوم مختلف و انجام تحقیقات پیشرفته، هر روز انواع مختلفی از داده ها مطرح می شوند که نیازمند روش های قابل اطمینان برای تجزیه و تحلیل هستند. در این بین روش‌های رگرسیونی بعنوان یکی از پرکاربردترین روش‌های تجزیه و تحلیل داده ها شناخته شده است. انتخاب و برآورد متغیرهایی که می بایست درون مدل رگرسیونی قرار گیرند جزء مهمترین بخش‌های مدل‌سازی رگرسیونی است. روش‌های متداول که در زمینه برآوردیابی و انتخاب متغیر موجود هستند مثل روش انتخاب پیشرو، برآوردیابی حداقل مربعات و یا روش رگرسیون مرزی در مواجه با انواع گوناگون داده ها عملکرد قابل قبولی از خود نشان نداده‌اند. این روش‌ها معمولا نسبت به معیارهایی مثل دقت پیش‌بینی، امساک و پایداری عملکرد ضعیفی دارند. در این پایان نامه ابتدا به بحث در زمینه معایب استفاده از روش‌های سنتی پرداخته و مرروی بر این روش‌ها و همچنین معیارهای انتخاب مدل خواهیم داشت. سپس روش‌های انقباضی را که شاخه‌ای جدید در بحث برآوردیابی و انتخاب متغیر هستند معرفی و روش‌های پایه‌ای و جدیدی که در این شاخه ارائه شده‌اند را مورد مطالعه قرار می دهیم. در هر روش، ویژگی مثبت انجام همزمان برآوردیابی و انتخاب متغیر را نشان داده و برخی مشخصه‌های یک روش انتخاب متغیر و همچنین ویژگی‌های خاص روش‌های انقباضی را بررسی می‌کنیم. در آخر براساس یک بررسی شبیه سازی، ضمن مشاهده عملکرد روش‌های مختلف به مقایسه این روش‌ها با همدیگر و نیز با روش‌های‌ قدیمی خواهیم پرداخت.