رﮔﺮﺳﯿﻮن ﭼﻨﺪﮐﯽ ﺑﯿﺰي ﺑﺎ ﺗﺎوان ﻻﺳﻮ ﺳﺎزوار ﺑﺮاي دادهﻫﺎي ﭘﺎﻧﻠﯽ ﭘﻮيا

Bayesian Quantile Regression with Adaptive Lasso Penalty for Dynamic Panel Data

مدل‌هاي داده‌هاي پانلي پويا قسمت مهمي از مطالعات حوزه‌هاي پزشكي، اجتماعي و اقتصادي را شامل مي‌شوند. ويژگي بارز اين مدل‌ها وجود متغير وابستۀ تأخيري به‌عنوان متغير توصيفي است. مشكل برآورد در اين مدل‌ها از همبستگي بين متغير وابستۀ تأخيري و مؤلفۀ‌ خطاي فعلي ناشي مي‌شود. اخيراً رگرسيون چندكي تاوانيده براي تحليل داده‌هاي پانلي پويا مورد توجه قرار گرفته است. در اين مقاله نخست مدل رگرسيون چندكي با ايجاد تاوان لاسو سازوار روي اثر‌هاي تصادفي براي داده‌هاي پانلي پويا با فرض وابستگي اثر‌هاي تصادفي و مشاهدات اوليه ارائه مي‌شود. همچنين اين مدل با فرض استقلال بين اثر‌هاي تصادفي و مشاهدات اوليه نيز بررسي خواهد شد. هر دو مدل از ديدگاه آمار بيزي بيان شده، مورد تحليل قرار مي‌گيرند. چون در اين دو روش، توزيع‌ پسين پارامترها به شكل بسته قابل حصول نيست، توزيع‌هاي پسين شرطي كامل پارامترها محاسبه و از الگوريتم نمونه‌گيري گيبز براي استنباط استفاده مي‌شود. براي مقايسۀ كارايي روش‌هاي بيزي ارائه‌شده با روش‌هاي متداول، مطالعۀ شبيه‌سازي انجام شده و در پايان نيز روش استفاده از مدل‌ها در قالب مثال كاربردي شرح داده خواهد شد.

Dynamic panel data models include the important part of medicine‎, ‎social and economic studies‎. ‎Existence of the lagged dependent variable as an explanatory variable is a sensible trait of these models‎. ‎The estimation problem of these models arises from the correlation between the lagged depended variable and the current disturbance‎. ‎Recently‎, ‎quantile regression to analyze dynamic panel data has been taken in to consideration‎. ‎In this paper‎, ‎quantile regression model by adding an adaptive Lasso penalty term to the random effects for dynamic panel data is introduced by assuming correlation between the random effects and initial observations‎. ‎Also‎, ‎this model is illustrated by assuming that the random effects and initial values are independent‎. ‎These two models are analyzed from a Bayesian point of view‎. ‎Since‎, ‎in these models posterior distributions of the parameters are not in explicit form‎, ‎the full conditional posterior distributions of the parameters are calculated and the Gibbs sampling algorithm is used to deduction‎. ‎To compare the performance of the proposed method with the conventional methods‎, ‎a simulation study was conducted and at the end‎, ‎applications to a real data set are illustrated‎.