مدل سازی رگرسیونی به روش تی لاسو بیزی

انتخاب مدل بهینه یکی از بحث های مهم در مدل های رگرسیونی است. هدف روش های انتخاب مدل بهینه در مدل های رگرسیونی این است که متغیرهای توضیحی مهم و متغیرهای قابل اغماض را تعیین نموده و رابطه ی بین متغیر پاسخ و متغیرهای توضیحی را به طور ساده تر بیان کند. با توجه به محدودیت های فرآیندهای کلاسیک انتخاب متغیر از قبیل انتخاب گام به گام، می توان از روش های رگرسیون تاوانیده استفاده کرد. یکی از مدل های رگرسیون تاوانیده، رگرسیون لاسو است که در آن فرض می شود خطاها از توزیع نرمال پیروی می کنند. برای تحلیل آماری مجموعه داده ها در حضور مشاهدات دورافتاده، می توان به جای توزیع نرمال از توزیع t-استیودنت برای خطا استفاده کرد. در این مقاله، روش انتخاب متغیری تحت عنوان مدل رگرسیون تی لاسو بیزی برای تحلیل داده ها در حضور مشاهدات دورافتاده، پیشنهاد می دهیم. مدل رگرسیون تی لاسو بیزی با دو نمایش متفاوت از تابع چگالی پیشین لاپلاس برای ضرایب مدل رگرسیونی مورد بررسی قرار می گیرد، به این صورت که ابتدا تابع چگالی لاپلاس به صورت توزیع آمیخته-مقیاس نرمال و سپس به صورت توزیع آمیخته -مقیاس یکنواخت نمایش داده می شود. سپس با استفاده از روش های شبیه سازی و تحلیل داده های واقعی، ارجحیت روش رگرسیون تی لاسو بیزی با نمایش تابع چگالی لاپلاس به صورت آمیخته -مقیاس یکنواخت نسبت به نمایش آمیخته-مقیاس نرمال نشان داده می شود.