تحلیل نیم‌پارامتری مدل‌های رگرسیونی برای پاسخ‌های سری توانی آماسیدۀ صفر با متغیرهای تبیینی گم‌شده

در این مقاله پاسخ‌های شمارشی با تعداد صفر زیاد، که داده‌های آماسیدۀ صفر نامیده می‌شوند، مورد تحلیل قرار گرفته‌اند. فرض می‌شود پاسخ‌ها از سری توانی آماسیدۀ صفر پیروی می‌کنند. همچنین به دلیل وجود گم‌شدگی از نوع تصادفی در متغیرهای تبیینی برخی از داده‌های کاربردی، انواع روش‌های برآوردیابی پارامترهای مدل براساس تابع امتیاز با و بدون درنظر گرفتن گم‌شدگی برای مدل رگرسیونی ارایه شده است. در این میان، معلوم یا نامعلوم بودن احتمال انتخاب متغیر تبیینی گم‌شده منجر به ارایه روش نیم‌پارامتری برای برآورد پارامترها در مدل رگرسیونی سری توانی آماسیدۀ صفر می‌شود. به منظور تشریح روش پیشنهادی، مطالعه‌ا‌ی شبیه‌سازی برای مدل رگرسیونی دوجمله‌ای منفی آماسیدۀ صفر با متغیرهای تبیینی گم‌شده به عنوان یک مدل رگرسیونی سری توانی انجام می‌شود و سپس مثالی از داده‌های واقعی ارایه می‌شود. در انتها، عملکرد روش ‌نیم‌پارامتری در مقایسه با روش ماکسیمم درستنمایی، موردکامل، احتمال وارون وزنی مورد بررسی و ارزیابی قرار گرفته است.

Semiparametric Analysis of Regression Models for Zero-Inflated Power Series Responses with Missing Covariate

In this paper , the analysis of count response with many zeros , named as zeroinflated data , is considered . Assumes that responses follow a zeroinflated power series distribution . Because of there is missing of the type of random in the covariate , some of the data application , various methods for estimating of parameters by using the score function with and without missing data for the proposed regression model are presented . On the other hand , known or unknown selection probability in the missing covariates results in presenting a semiparametric method for estimating of parameters in the zeroinflated power series regression model . To illustrate the proposed method , simulation studies and a real example are applied . Finally , the performance of the semiparametric method is compared with maximum likelihood , completecase and inverse probability weighted method .