روش‌های مونت‌کارلویی همیلتونی برای تحلیل مدل‌ آمیخته خطی تعمیم‌یافته فضایی چوله

برای مدل‌بندی پاسخ‌های فضایی گسسته، مدل‌های آمیخته خطی تعمیم‌یافته فضایی استفاده می‌شود. در این مدل‌ها همبستگی فضایی داده‌ها به‌صورت متغیرهای پنهان فضایی وارد مدل می‌شود. معمولا برای سادگی فرض می‌شود که متغیرهای پنهان دارای توزیع نرمال هستند که نادرست بودن این فرض برروی دقت نتایج تاثیرگذار است.در این مقاله متغیرهای پنهان با میدان تصادفی چوله گاوسی بسته مدل‌بندی می‌شوند که بزرگ‌تر و انعطاف‌پذیرتر از میدان تصادفی گاوسی می‌باشد. یک الگوریتم جدید برای به دست آوردن برآورد ماکسیمم درستنمایی پارامترها معرفی می‌شود. اساس الگویتم معرفی‌شده بر مبنای الگوریتم ماکسیمم‌سازی امیدریاضی و نوعی الگوریتم مونت کارلویی همیلتونی است. کارایی و سرعت الگوریتم معرفی شده در یک مثال شبیه‌سازی بررسی می‌شود.

Hamiltonian Monte Carlo Methods for Analysing Skew GLM models

Spatial generalized linear mixed models are used commonly for modeling discrete spatial responses. In this models the spatial correlation of the data is considered as spatial latent variables. For simplicity, it is usually assumed in these models that spatial latent variables are normally distributed. An incorrect normality assumption may leads to inaccurate results and is therefore erroneous. In this paper we model the spaial latent variables in a general random field, namely the closed skew Gaussian random field which is more flexible and includes the Gaussian random field. We propose a new algorithm for maximum likelihood estimates of the parameters. A key ingredient in our algorithm is using a Hamiltonian Monte Carlo version of the EM algorithm. The performance of the proposed model and algorithm is presented through a simulation study.