رگرسيون چندكي بيزي با تاوان الاستيك نت سازوار براي داده هاي طولي

Bayesian Quantile Regression with Adaptive Elastic Net Penalty for Longitudinal Data

بررسي داده هاي طولي قسمت مهمي از پژوهش هاي ايپدميولوژي، بررسي هاي باليني و تحقيقات اجتماعي را شامل مي شود. در بررسي هاي طولي، اندازه گيري پاسخ ها به طور مكرر در طول زمان انجام مي شود. اغلب هدف اصلي تشخيص تغيير در متغير پاسخ در طول زمان و عواملي است كه روي اين تغيير اثر مي گذارند. اخيراً به رگرسيون چندكي براي تجزيه و تحليل اين نوع داده ها توجه شده است. در اين مقاله مدل رگرسيون چندكي با ايجاد تاوان الاستيك نت سازوار روي اثرهاي تصادفي براي داده هاي طولي ارائه شده و از ديدگاه آمار بيزي تجزيه و تحليل مي شود. چون در اين روش توزيع پسيني پارامترها به شكل بسته قابل حصول نيستند، از اين رو، توزيع هاي پسيني شرطي كامل پارامترها محاسبه شده و ازالگوريتم نمونه گيري گيبس براي استنباط استفاده مي شود. براي مقايسه كارايي روش ارائه شده با روش هاي متداول، بررسي شبيه سازي انجام شده و در پايان نحوه ٔ كاربست مدل ها در قالب مثال كاربردي شرح داده مي شود.

Longitudinal studies include the important parts of epidemiological surveys، clinical trials and social studies. In longitudinal studies، measurement of the responses is conducted repeatedly through time. Often، the main goal is to characterize the change in responses over time and the factors that influence the change. Recently، to analyze this kind of data، quantile regression has been taken into consideration. In this paper، quantile regression model، by adding an adaptive elastic net penalty term to the random effects، is proposed and analyzed from a Bayesian point of view. Since، in this model posterior distribution 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 for 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.