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

پویایی و تغییرات پدیده ها نسبت به زمان، سرشت ذاتی پدیده های اقتصادی است. در اقتصادسنجی پدیده های اقتصادی، نادیده گرفتن ویژگی پویایی آنها منجر به ساده سازی بیش از حد پدیده ها می شود و مدل های که بر این مبنا به دست می آیند اغلب واقع گرایانه نبوده، موجب تفسیرهای نادرست از آن پدیده ها می شوند. کاربست رگرسیون برای بررسی روابط بین متغیرهای اقتصادی، عملی بسیار متداول است. در چنین کاربردهایی اغلب روابط بین متغیرها، ایستا در نظر گرفته می شوند و از تحول این روابط در طی زمان که باعث تغییر در ضرایب معادلات می شوند غفلت می شود. در این مقاله ضمن معرفی مدل های خطی پویا (DLM) کاربردی از این مدل ها را در مورد سری زمانی «متوسط هفتگی قیمت دلار» از دیدگاه بیزی ارایه می کنیم. هدف، بیان روش پویا برای مدل سازی فرایندهای اقتصادی است تا از این رهیافت، سری متوسط هفتگی قیمت دلار را مدل سازی و سپس قیمت دلار را به کمک این مدل ها پیش بینی می کنیم. روش های مختلف دیگری مانند: سری های زمانی ARIMA و شبکه های عصبی برای مدل سازی مطرح هستند. نرخ ارز یک متغیر کلیدی و مهم اقتصادی در سیاستگزاری ها قلمداد می شود، تا جایی که گروهی از کارشناسان به خصوص در کشورهای در حال توسعه، از این متغیر به عنوان لنگر اسمی یاد می کنند، به همین دلیل تعیین نرخ ارز بسیار مورد توجه اقتصاددانان است. طبقه بندی C22 :JEL، F31

چکیده: یکی از مسائل اساسی در تجزیه و تحلیل داده های فوق بالابعد، برازش مدل بهینه و براورد پارامترهای نامعلوم کیفیت آن به گونه ای است که بتواند ساختار داده های مورد بررسی را به درستی تفسیر کند. در این مقاله در انتخاب متغیر به روش های انقباضی بیزی برای مدل های خطی تعمیم یافته فوق بالابعد به مقایسه دو ابرپیشین ناموضعی: گشتاور ضربی و گشتاور وارون ضربی در تعیین مدل بهینه هم زمان با براورد پارامترهای مدل می پردازیم. به منظور محاسبه احتمال های پسین، از روش تقریب لاپلاس و جهت انتخاب مدل بهینه در فضای متراکم احتمال های پسین، از الگوریتم تکراری جستجوی تصادفی تفنگی ساده شده همراه با غربالگری استفاده شده است. در انتها از طریق مطالعه شبیه سازی و تحلیل داده ی واقعی، کارایی روش های انقباضی بیزی فوق با روش درست نمایی تاوانیده ی اسکاد و لاسو مورد ارزیابی قرار گرفته است و برتری مدل نشان داده شده است .

برای مدل بندی داده های رسته ای فضایی از مدل های آمیخته خطی تعمیم یافته فضایی استفاده می شود که در این مدل ها اغلب متغیرهای پنهان که بیان گر همبستگی فضایی هستند، با یک میدان تصادفی گاوسی مدل بندی می شوند. عدم برقراری فرض گاوسی باعث تاثیر روی دقت پیش گویی ها و برآورد پارامترهای مدل می شود. در این مقاله با استفاده یک میدان تصادفی چوله گاوسی مانا و به کارگیری یک رهیافت بیزی تقریبی، مدل های آمیخته خطی تعمیم یافته فضایی مدل بندی و برآورد می شوند. در یک مثال شبیه سازی کارایی مدل و رهیافت بیزی تقریبی بررسی و بر روی یک مثال واقعی پیاده سازی می شود.

مدل بندی پاسخ های کرانگین در حضور اثرات غیرخطی، زمانی، فضایی و متقابل می تواند با مدل آمیخته صورت پذیرد. به علاوه اسپلاین همواری در مدل آمیخته و رهیافت بیزی تواما چارچوب مناسبی را برای استنباط مقادیر کرانگین فراهم می کنند. در این مقاله به کارگیری اسپلاین همواری برای اثر غیرخطی متغیر تبیینی در قالب یک مدل آمیخته تعمیم یافته بیان و برای تحلیل مقادیر کرانگین به کار می رود. برای این منظور فرض می شود که پاسخ های کرانگینی مشروط بر تحقق هایی از متغیر تبیینی و اثر تصادفی مستقل و دارای توزیع مقدار کرانگین تعمیم یافته باشند، سپس پارامتر مکان توزیع به صورت تابع ای هموار از متغیر تبیینی با استفاده از تکنیک های مونت کارلوی زنجیر مارکوفی در رهیافت بیزی برآورد می شود. در پایان مدل ارایه شده برای مدل بندی کرانگین داده های ازن به کار می رود.

مقدمه: بیماری دیابت از جمله بیماری های مزمنی است که شیوع آن بسیار زیاد و روز به روز درحال افزایش است. در این مطالعه ضمن تعیین عوامل موثر بر بیماری دیابت به مقایسه دو مدل خطی تعمیم یافته وخطی آمیخته تعمیم یافته می پردازیم.روش بررسی: داده های این مطالعه مربوط به طرح تحقیقاتی بررسی شاخص های اپیدمیولوژیک بیماری دیابت بزرگسالان در گروه سنی 30 سال وبالاتر شهری استان یزد می باشد. در این مطالعه جمعا 2795 نفر با انجام آزمایش قند خون از لحاظ ابتلا به دیابت بررسی شدند. برای تحلیل داده ها با استفاده از مدل رگرسیون لجستیک آمیخته ورگرسیون لجستیک معمولی از نرم افزار R استفاده شد.یافته ها: در این مطالعه متغیر های سابقه خانوادگی ابتلا به دیابت، سن، شاخص توده بدنی و دورکمر به دور باسن در هردو مدل معنی دار شد (p<0.001)، با این تفاوت متغیر که شغل در مدل رگرسیون لجستیک معمولی در سطح 0.1 معنی دار بود ولی در مدل رگرسیون لجستیک آمیخته معنی دار نبود. همچنین، متغیرهای مساحت خانه، سطح تحصیلات و جنسیت در هیچ یک معنی دار نشد. با توجه به مقادیر نسبت شانس نیز در برخی از آنها شاهد تفاوت قابل توجهی بین دو مدل هستیم. با توجه به خطای استاندارد ضرایب ومقایسه مقادیر آن در دو مدل، شاهد کم برآوردی در مدل رگرسیون لجستیک معمولی بودیم.نتیجه گیری: بکار گیری مدل های آمیخته تعمیم یافته منجر به نتایج دقیق تر می شود و ازکم برآوردی خطای استاندارد ضرایب جلوگیری می کند.