تحليل داده هاي فضايي بعدبالا با رگرسيون جمعي جزئي خطي

Analysis of high-dimensional spatial data with a partially linearadditive regression model

در يك مدل آماري، وقتي تعداد متغيرهاي تبييني خيلي زياد باشند، نمي توان از روش هاي متداول آماري براي مدل بندي داده ها استفاده كرد و لازم است روش هاي مناسب از جمله انتخاب متغير را به كار گرفت. در اين مقاله روش انتخاب متغير بيزي در يك مدل رگرسيون جمعي خطي جزئي براي مدل بندي داده هاي فضايي‑زماني با بعد بالا مورد مطالعه قرار مي گيرد، كه در آن از تلفيق توزيع پيشين ميخ تخته و تابع تاوان لاسو، براي انتخاب همزمان مدل هاي خطي يا غير خطي استفاده خواهد شد. سپس اثر بخشي روش پيشنهادي در يك مطالعه شبيه سازي مورد بررسي قرار مي گيرد.

When the number of explanatory variables is enormous in a statistical model, it is impossible to use standard statistical methods, and variable selection techniques must be used. This paper studies the Bayesian variable selection method in a partial linear regression model to model high-dimensioned spatiotemporal data. The combination of a prior distribution and the Lasso penalty function will be used to select linear or nonlinear models simultaneously. The effectiveness of the proposed method will then be examined in a simulation study.