الگوريتم‌هاي مونت كارلويي براي برآوردماكسيمم درست‌نمايي مدل‌‌هاي آميخته خطي تعميم‌يافته فضايي چوله

Monte Carlo Algorithms for Maximum Likelihood Estimation of Skew Spatial GLM Models

در مدل‌هاي آميخته خطي تعميم‌يافته فضايي همبستگي فضايي داده‌ها به‌صورت متغيرهاي پنهان فضايي در نظر گرفته مي‌شود. معمولا براي سادگي فرض بر اين است كه متغيرهاي پنهان داراي توزيع نرمال مي‌باشند كه نادرست بودن اين فرض برروي دقت نتايج تاثيرگذار است. در اين مقاله متغيرهاي پنهان با ميدان تصادفي چوله گاوسي بسته مدل‌بندي مي‌شوند كه بزرگ‌تر و انعطاف‌پذيرتر از ميدان تصادفي گاوسي مي‌باشد و يك الگوريتم جديد براي به‌دست آوردن برآورد ماكسيمم درست‌نمايي پارامترها معرفي مي‌شود. اساس الگويتم معرفي‌شده بر مبناي الگوريتم ماكسيمم‌سازي اميدرياضي و نوعي الگوريتم مونت كارلويي هميلتوني است. كارايي الگوريتم معرفي شده در يك مثال واقعي بررسي مي‌شود.