مقایسه‌ چند الگوریتم برآورد ماکسیمم درستنمایی مدل آمیخته خطی تعمیم‌یافته فضایی

در مدل‌های آمیخته خطی تعمیم‌یافته فضایی، همبستگی فضایی با اضافه کردن متغیرهای پنهان به مدل در نظر گرفته می‌شود. در این مدل‌ها چون متغیر پاسخ فضایی غیر گاوسی است و به دلیل وجود متغیرهای پنهان تابع درستنمایی معمولا شکل بسته‌ای ندارد و لذا رهیافت ماکسیمم درستنمایی برای برآورد پارامترها با چالش مواجه است. هدف اصلی این مقاله معرفی دو الگوریتم جدید برای به دست آوردن برآوردهای ماکسیمم درستنمایی پارامترها و مقایسه با الگوریتم‌های موجود از نظر سرعت و دقت است. الگوریتم‌های معرفی شده برروی یک مجموعه داده شبیه‌سازی شده به‌کار گرفته و عملکرد آن‌هامقایسه می‌شود.

A Comparison of Algorithms for Maximum Likelihood Estimation of Spatial GLM models

In spatial generalized linear mixed models, spatial correlation is assumed by adding normal latent variables to the model. In these models because of the nonGaussian spatial response and the presence of latent variables, the likelihood function cannot usually be given in a closed form, thus the maximum likelihood approach is very challenging. The main purpose of this paper is to introduce two new algorithms for the maximum likelihood estimations of parameters and to compare them in terms of speed and accuracy with existing algorithms. The presented algorithms are applied to a simulation study and their performances are compared.