تحلیل داده های فضایی بعدبالا با رگرسیون جمعی جزئی خطی

در یک مدل آماری، وقتی تعداد متغیرهای تبیینی خیلی زیاد باشند، نمی توان از روش های متداول آماریبرای مدل بندی داده ها استفاده کرد و لازم است روش های مناسب از جمله انتخاب متغیر را به کار گرفت. در این مقالهروش انتخاب متغیر بیزی در یک مدل رگرسیون جمعی خطی جزئی برای مدل بندی داده های فضایی‑زمانی با بعد بالامورد مطالعه قرار می گیرد، که در آن از تلفیق توزیع پیشین میخ تخته و تابع تاوان لاسو، برای انتخاب همزمان مدل هایخطی یا غیر خطی استفاده خواهد شد. سپس اثر بخشی روش پیشنهادی در یک مطالعه شبیه سازی مورد بررسی قرارمی گیرد.

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

when the number of explanatory variables is enormous in a statistical model, it isimpossible 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 modelto model high-dimensioned spatiotemporal data. the combination of a prior distribution andthe 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.