جستجوی مقالات مرتبط با کلیدواژه "dirichlet process" در نشریات گروه "آمار"
تکرار جستجوی کلیدواژه «dirichlet process» در نشریات گروه «علوم پایه»-
Nonlinear regression models have widespread applications across diverse scientific disciplines. Achieving precise fitting of the optimal nonlinear model is essential, taking into account the biases inherent in Bayesian optimal design. This study introduces a Bayesian optimal design utilizing the Dirichlet process as a prior. The Dirichlet process is a fundamental tool in exploring Nonparametric Bayesian inference, providing multiple well-suited representations. The research paper presents a novel one-parameter model, termed the ``unit-exponential distribution", specifically designed for the unit interval. Additionally, a representation is employed to approximate the D-optimality criterion, considering the Dirichlet process as a functional tool. Through this approach, the aim is to identify a nonparametric Bayesian optimal design.Keywords: Bayesian Optimal Design, D-Optimal Design, Dirichlet Process, Nonparametric Bayesian, Stick-Breaking Prior, Unit Exponential Model
-
در این مقاله یک مدل آمیخته فرایند دیریکله جدید با هسته وارون وایبل تعمیم یافته پیشنهاد شده است. پس از تعیین توزیع پیشین پارامترها در مدل پیشنهادی، برای نمونه گیری از توزیع پسین توام پارامترها از روش های مونت کارلوی زنجیره مارکف استفاده شده است. عملکرد مدل پیشنهادی با تحلیل چندین مجموعه داده واقعی و شبیه سازی شده مورد بررسی قرار گرفته است. در مجموعه داده های واقعی برخی از داده ها سانسور شده از راست هستند. همچنین در این مقاله پتانسیل مدل پیشنهادی برای خوشه بندی کردن داده ها بکار گرفته شده است. نتایج بدست آمده نشان دهنده عملکرد مطلوب مدل پیشنهادی است.
کلید واژگان: مدل آمیخته, فرایند دیریکله, توزیع وایبل وارون تعمیم یافته, سانسور از راست, زنجیر مارکفی مونت کارلوIn this paper, a new Dirichlet process mixture model with the generalized inverse Weibull distribution as the kernel is proposed. After determining the prior distribution of the parameters in the proposed model, Markov Chain Monte Carlo methods were applied to generate a sample from the posterior distribution of the parameters. The performance of the presented model is illustrated by analyzing real and simulated data sets, in which some data are right-censored. Another potential of the proposed model demonstrated for data clustering. Obtained results indicate the acceptable performance of the introduced model.
Keywords: Mixture Model, Dirichlet Process, Generalized Inverse Weibull Distribution, Right Censoring, Markov Chain Monte Carlo -
In this paper, we will introduce a Bayesian semiparametric model concerned with both constant and coefficients. In Meta-Analysis or Meta-Regression, we usually use a parametric family. However, lately the increasing tendency to use Bayesian nonparametric and semiparametric models, entered this area too. On the other hand, although we have some works on Bayesian nonparametric or semiparametric models, they just focus on intercept and do not pay much attention to regressor coefficient(s). We also would check the efficiency of the proposed model via simulation and give an illustrating example.Keywords: Meta-analysis, Meta-regression, Dirichlet process, Bayesian Model Selection, Gibbs Sampling
-
مدل های آماری برای شناخت مکانیزمی که داده ها از آن تولید شده، استفاده می شود. در بیشتر مدل ها فرض می شود متغیرهای تصادفی Y_{i}، i=1،...،n، نمونه ای تصادفی از توزیع F هستند، که F متعلق به یک کلاس از خانواده توزیع های پارامتری است. اما در بسیاری از مسائل عملی نمی توان انتظار داشت که یک مدل پارامتری برای توصیف داده ها مناسب باشد. در این شرایط می توان فرض پارامتری را کنار گذاشت و از مدل های انعطاف پذیرو نیرومندتری برای تحلیل داده ها استفاده کرد. در چارچوب روش بیز ناپارامتری با تعریف یک توزیع پیشین روی فضای کل توزیع های احتمالی و فرض نمودن آن برای توزیع متغیر تصادفی این انعطاف پذیری حاصل می شود.
بعبارت دیگر فرآیندهای تصادفی روی خانواده ای از توابع توزیع تعریف می شوند و بعنوان پیشین برای توزیع تصادفی بکار می روند. از جمله مهم ترین این پیشین ها فرآیند دیریکله است که دارای ویژگی های مهم و جالبی است، لذا در گستره وسیعی از مسائل بیز ناپارامتری مورد استفاده قرار می گیرد. در این مقاله این فرآیند و خواص آن معرفی می شود.
کلید واژگان: توزیع دیریکله, فرایند دیریکله, بیز ناپارامتریStatistical models are utilized to learn about the mechanism that the data are generating from it. Often it is assumed that the random variables y_i،i=1،…،n، are samples from the probability distribution F which is belong to a parametric distributions class. However، in practice، a parametric model may be inappropriate to describe the data. In this settings، the parametric assumption could be relaxed and more flexible models could be used analysis of data. In the nonparametric Bayes approach، a prior distributions is defined over the whole space of probability distributions for random variable distribution. Due to the Dirichlet process (DP) has interesting properties، it is thus used extensively. In this paper، we introduce DP and its features.Keywords: Dirichlet Distribution, Dirichlet process, Nonparametric Bayes
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.