مدل های حیوانی برای مدل بندی مشاهده های مربوط به عملکرد حیوان با همبستگی ژنتیکی استفاده می شوند. این مدل-ها متعلق به کلاس مدل های مختلط خطی تعمیم یافته هستند و همبستگی ژنتیکی موجود بین داده ها توسط تأثیر تصادفی با ارزش اصلاحی به مدل اضافه می شود. از جمله هدف های این مدل ها، برآورد مؤلفه های واریانس است. در این پژوهش رهیافت بیزی تقریبی برای برآورد مؤلفه های واریانس مدل حیوانی ارائه و با رهیافت بیزی مرسوم مقایسه شد. برای این منظور مجموعة داده شبیه سازی شده با 1084 رکورد مربوط به حیوان فرضی استفاده شد. مشاهده های وزن حیوان هنگام تولد است. این مجموعة داده شامل کد حیوان، کد مادر، کد پدر، جنسیت و سال تولد است. جنسیت به عنوان اثر ثابت و اثرهای مادری، حیوان و سال تولد به صورت عامل های تصادفی در نظر گرفته شدند. چهار مدل با رهیافت بیزی مرسوم برازش و با یک معیار مدل گزینی مدل مناسب انتخاب شد. رهیافت بیزی تقریبی روی مدل مناسب پیاده سازی شد. زمان محاسبات با رایانه به ویژگی های (Intel Core i7, 4GB, 2. 7 GHz) برای رهیافت بیزی مرسوم حدود ١ ٢ ٠ ثانیه و با رهیافت بیزی تقریبی کمتر از ١ ٠ ثانیه به طول انجامید. برای بررسی نکویی برازش معیار ریشة میانگین توان دوم خطای نسبی محاسبه شد که به ترتیب 1568/0 و 1499/0 برای رهیافت بیزی مرسوم و بیزی تقریبی به دست آمد. برای بررسی تفاوت نداشتن معنی دار بین برازش وزن حیوان توسط دو رهیافت، آزمون تی (T) استفاده شد که میزان احتمال آزمون 98/0 به دست آمد و فرضیه صفر برابر بودن میانگین برازش وزن حیوان از دو رهیافت برابرند، پذیرفته شد.

یکی از موضوعات مهم در آنالیز فضایی فازی، پیشگویی یک مقدار نامعلوم در موقعیت های مشخص بر اساس بردار مشاهدات فضایی فازی است. با فرض معلوم بودن پارامترهای میانگین و کواریانس، پیشگوی بهینه و میانگین مجذور خطای پیشگو با استفاده از روشهای کریگینگ قابل تعیین است، اما وقتی پارامترهای مدل نامعلوم هستند، معمولا برآوردهای آنها بعنوان مقادیر واقعی در پیشگوی بهینه جایگذاری می شوند، که در اینصورت بهینگی پیشگو مورد تردید قرار می گیرد. از طرفی تعیین این پیشگو و میانگین مجذور خطای آن عموما دشوار است. لذا در این مقاله برای رفع مشکل مذکور، با استفاده از رهیافت بیزی کریگینگ فازی را برای پیشگویی مشاهدات فضایی فازی به کریگینگ فازی تعمیم داده، سپس کارایی آن در یک مثال کاربردی با روشهای دیگر پیشگویی فضایی مورد مقایسه قرار می گیرد.

در این مطالعه با استفاده از روش اقتصادسنجی متوسط گیری بیزی به بررسی رابطه بین 16متغیر موثر بر رشد اقتصادی ایران طی سال های (1393-1340) پرداخته ایم. نتایج مبنی بر احتمال شمول متغیرها در الگو حاکی از آن است که نسبت سرمایه گذاری به تولید، نرخ رشد جمعیت (با علامت منفی)، رشد واردات کالاهای سرمایه ای، رشد نیروی کار و رشد واردات کالاهای واسطه ای به ترتیب رتبه اول تا پنجم را در رشد اقتصادی ایران به خود اختصاص داده اند. از طرف دیگر رابطه با اهمیتی بین مصرف انرژی و رشد تولید غیرنفتی در ایران با توجه به احتمال پایین حضور این متغیر در الگو مشاهده نمی شود. لذا سیاست های صرفه جویی در مصرف انرژی تهدیدی برای رشد اقتصادی به حساب نمی آید.

این مقاله به مساله برآورد کردن بیزی پارامترها، قابلیت اعتماد و تابع خطر در چارچوب مقادیر آماره های رکورد از توزیع دوپارامتری لوماکس می پردازد. برآوردهای ماکسیمم درستنمایی و بیز بر مبنای رکوردها برای پارامترهای زمان بقا، قابلیت اعتماد، و تابع های خطر به دست آمده اند. برآوردهای بیز بر مبنای مزدوج پیشین برای پارامتر مقیاس و گسسته پیشین برای پارامتر شکل این مدل تهیه شده اند. این کار با توجه به تابع زیان متقارن (مربع زیان خطا) و تابع زیان نامتقارن (تابع زیان نمایی-خطی) (LINEX) انجام پذیرفته است. برآوردهای ماکسیمم درستنمایی و بیزی متفاوت از راه بررسی شبیه سازی مونت کارلو مقایسه شده اند. یک مثال عملی مرکب از مقادیر رکورد واقعی شامل داده هایی از روی یک آزمون شتابیده در باره مایع عایق گزارش شده است که توسط نلسون برای تشریح مطلب و مقایسه مورد استفاده قرار گرفته است. سرانجام، تابع چگالی پیشگوی بیزی، که برای به دست آوردن کران ها برای بازه پیشگوی آماره های رکورد آتی لازم است، با استفاده از یک مثال عددی بدست آمده و مورد بحث قرار گرفته است.

یکی از مسایل جالب در هوش مصنوعی ساخت شبکه بیزی بر اساس نمونه هایی از داده ها است؛ یعنی فرض کنید یک شبکه بیزی N روی مجموعه متغیرهای V مفروض است. هدف، ساخت یک شبکه بیزی- استخراج مجموعه ای از روابط علت/ معلولی- میان مجموعه متغیرها بر اساس نمونه هایی که از N استخراج شده و بدون در اختیار داشتن N است. از این مساله در متون با عنوان یادگیری ساختاری شبکه بیزی یاد می شود. یکی از روش های مهم در یادگیری ساختاری شبکه های بیزی با استفاده از داده های نمونه، استفاده از معیارهای مبتنی بر امتیاز برای ارزیابی میزان برازندگی یک ساختار بیزی مفروض با داده های نمونه و جست و جو در میان ساختارهای ممکن است. جست و جو برای یافتن یک ساختار مناسب برای شبکه بیزی  که بیشترین سازگاری را با نمونه ها داشته باشد غالبا از طریق جست و جو در فضای ساختارها با استفاده از تکنیک های جست و جوی استاندارد یا الهام گرفته از طبیعت نظیر تپه نوردی حریصانه، الگوریتم های ژنتیک، شبیه سازی حرارتی یا الگوریتم تبرید، بهینه سازی کلونی مورچه ها و نظایر آن صورت می گیرد.در این مقاله یک روش جدید مبتنی بر آتاماتای یادگیر برای یادگیری ساختاری شبکه بیزی ارائه شده است. در این روش آتاماتای یادگیر به عنوان یک ابزار جستجوی تصادفی مورد استفاده قرار می گیرد. از ویژگی های روش جدید پیشنهادی جستجوی هم زمان در فضای جایگشت های ممکن از متغیرها (فضای ترتیب متغیرها) و فضای ساختارها (فضای  DAGها) است. ضمن بررسی ریاضی الگوریتم پیشنهادی، روش جدید روی تعدادی از شبکه های نمونه مورد آزمایش قرار گرفته است.

از آنجا که عیار عناصر در یک محدوده معدنی دارای همبستگی فضایی است، تحلیل آماری آن با روش های آماری معمول امکان پذیر نیست. بنابراین، برای مدل بندی ساختار همبستگی فضایی و تخمین مقادیر نامعلوم عیار در مکان های دلخواه، در تحلیل آن ها از روش های آمار فضایی استفاده می شود. برای انجام تخمین، گنجاندن ساختارهای وابستگی و پیروی از روند به دلیل عوامل زمینه ای (مانند توپوگرافی) در بهبود دقت تخمین متغیر پاسخ کمک می کند. در تحلیل داده ها، کم بودن تعداد مشاهدات، وجود مشاهدات پرت یا داده هایی با توزیع شدیداً چوله، باعث برآوردی نادقیق از تغییرنگار(Variogram) می شود. در این موارد، استفاده از یک رویکرد زمین آمار مبتنی بر مدل توصیه می شود. در این مقاله برای مدل ­سازی سه بعدی داده ها از یک رهیافت بیزی و برای برازش مدل پیشنهادی از یک روش بیزی تقریبی معروف به تقریب لاپلاس آشیانه ای جمع بسته (INLA)  استفاده می­ شود. با توجه به چگال بودن داده های زمین آماری، برای اطمینان از محاسبات سریع با استفاده از INLA، مدل فضایی تعریف شده روی ناحیه معدنی تحت مطالعه را به کمک مثلث سازی و رهیافت معادلات دیفرانسیل جزیی تصادفی (SPDE)، به یک فرایند تصادفی مارکوفی گاوسی (GMRF) تبدیل می­ کنیم. پیاده سازی روش ترکیبی INLA+SPDE بر روی یک مجموعه داده زمین آماری سه بعدی، مبحث جدیدی در زمینه مدل ­سازی داده­ های معدنی است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در تحلیل بیزی داده های فضایی-زمانی جرم و جنایت معمولاً به دلیل ناگاوسی بودن توزیع متغیر پاسخ و وجود تعداد زیادی متغیر پنهان در مدل تحت بررسی شکل بسته ای برای توزیع پسینی وجود ندارد. در این شرایط در استفاده از روش های مونت کارلوی زنجیر مارکوفی با چالش هایی نظیر وجود پارامترهای متعدد در ساختار سلسله مراتبی، محاسبات سنگین و زمان بر، انجام شبیه سازی گسترده، به ویژه زمانی که بعد میدان تصادفی بزرگ است و سرانجام عدم همگرایی توزیع پسینی مواجه می شویم. برای حل این مشکلات روش تقریب لاپلاس آشیانی جمع بسته پیشنهاد شده است. مزیت این روش این است که برآوردهایی از منظر وقوع جرم وجنایت در مکان و زمان معین ارائه کرده و همچنین نواحی با رفتار غیر معمول را تشخیص می دهد. در این مقاله با استفاده همزمان از GIS و روش قریب لاپلاس آشیانی جمع بسته در یک مطالعه موردی به تحلیل داده های جرم و جنایت بخشی از کشور کلمبیا می پردازیم.

گاهی در اقتصادسنجی مشاهدات مورد مطالعه مستقل نیستند و وابستگی آن ها ناشی از موقعیت قرار گرفتن مشاهدات در فضای مورد مطالعه است. برای تحلیل این نوع از داده ها از مدل های رگرسیونی فضایی استفاده می شود. به دلیل وجود تعداد زیاد پارامتر در این مدل ها، برای به دست آوردن برآوردهای ماکسیمم درستنمایی از الگوریتم های تکرار شونده استفاده می شود که با مشکل پیچیدگی محاسبات مواجه است. علاوه بر این در مطالعات اقتصادی تعداد داده ها زیاد است که استفاده از رهیافت بیزی مفید به نظر می رسد. هدف استفاده از رهیافت های بیزی و ماکسیمم درستنمایی برای برآورد پارامترهای سه مدل معروف اقتصادسنجی فضایی و مقایسه عملکرد این دو رهیافت و مقایسه کارایی سه مدل و در نهایت پیاده سازی مدل ها و روش ها برروی دو مجموعه داده است. در هر دو مجموعه داده مشاهده می شود که نتایج رهیافت بیزی نسبت به رهیافت درستنمایی از دقت بهتری برخوردار است.

پژوهشگران مالی از روش های متفاوتی برای محاسبه ریسک و بازده و همچنین تعیین رابطه بین آنها استفاده کرده اند.اختلاف در نتایج باعث شده است تا این رابطه با عنوان «معمای بازده- ریسک غیرسیستماتیک» شناخته شود. پژوهش حاضر به تحلیل رابطه ریسک غیرسیستماتیک با بازده سهام در بین شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. دوره زمانی مورد بررسی از 12 مردادماه 1392 تا 12 دی ماه 1395 انتخاب شده است. این پژوهش با استفاده از مدل panel-GARCH به برآورد ریسک غیرسیستماتیک پرداخته و سپس رابطه بازده با ریسک را بر اساس رگرسیون چندک و رهیافت بیزی مورد بررسی قرار داده است. نتایج مبین آن است که رابطه در چندک های پایین ناهمسو، در چندک های بالا همسو بوده و در میانه توزیع رابطه ای مشاهده نمی شود. این نتیجه دلالت بر آن دارد که رابطه غیرخطی و مبتنی بر توزیع بازده است. این یافته نشان می دهد که اطلاعات موجود در کرانه های توزیع برای داده های مالی حائز اهمیت بوده و لازم است در مدل سازی و تفسیر نتایج مورد توجه قرار گیرد. علاوه برآن، معمای ریسک - بازده حل می شود.