مدل ترکیبی از اثرات گاوسی معکوس
ترجمه نشده

مدل ترکیبی از اثرات گاوسی معکوس

عنوان فارسی مقاله: مدل ترکیبی از اثرات گاوسی معکوس تو در تو برای داده های طولی
عنوان انگلیسی مقاله: Nested Inverse Gaussian Mixed-Effects Model for Longitudinal Data
مجله/کنفرانس: علوم کامپیوتر پروسیدیا – Procedia Computer Science
رشته های تحصیلی مرتبط: آمار، ریاضی
گرایش های تحصیلی مرتبط: آمار ریاضی، آنالیز عددی
کلمات کلیدی فارسی: معادله برآوردی، داده های منحرف به راست، خانواده Tweedie ، اثرات تصادفی، ساختارهای لحظه ای
کلمات کلیدی انگلیسی: Estimating equation; Right-skewed data; Tweedie family; Random effects; Moment structures
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.089
دانشگاه: School of Mathematics and Statistics, Guizhou University of Finance and Economics, Guiyang, 550025, P.R. of China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 5
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12350
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Inverse Gaussian Mixed-Effects Model


3-Estimating Model Parameters


4-Framingham Cholesterol Data


5-Conclusion


Acknowledgements


References

نمونه متن انگلیسی مقاله

Abstract


Following [7], we introduce the nested Inverse Gaussian Mixed-Effects model to analyze right-skewed and continuous longitudinal data. The nested random effects don’t follow a specific parameter distribution and rely only on the first two moments assumptions in our model. We apply the truly orthodox best linear unbiased predictor (BLUP) approach to estimate the nested random effects. We derive an optimal estimating equation for the regression parameters under the case of known BLUP of random effects. A real example for Framingham cholesterol data is presented to illustrate our proposed methodology.


Introduction


Skewed continuous longitudinal data frequently appear in many areas of research. Various skew normal models have been proposed to analyze skewed longitudinal data in recent years. For example, [5] for linear mixed models by substituting the skew-normal assumption of random effects for the normal assumption; [9] for Bayesian partial linear model; [1] for Skew-normal antedependence models; [8] for mixed effects model with the skew-normal and skew-t assumption of the distribution of responses and random effects. However, these approaches are generally computationally intensive. The inverse Gaussian regression model is a powerful method for analyzing right-skewed continuous data. Following [6] and [7], we consider a class of nested Inverse Gaussian Mixed-Effects Model for right-skewed and continuous longitudinal data. [7] introduced the nested Tweedie mixed model based on an orthodox BLUP approach. Similarly, this orthodox BLUP approach to our models is still computationally simple and efficient. In addition, our approach consolidates conditional and marginal modeling interpretations.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

مدل ترکیبی از اثرات گاوسی معکوس
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها