fa برآورد مدل های آمیخته خطی تعمیم یافته فضایی با متغیرهای پنهان چوله نرمال بسته آمار و ریاضی Mathematic علمی پژوهشی بنیادی S مدل های آمیخته خطی تعمیم یافته فضایی معمولا برای مدل بندی پاسخ فضایی گسسته به کار می روند، که در آنها ساختار همبستگی فضایی دادهها از طریق متغیرهای پنهان در نظر گرفته می شود. مسئله مهم در این مدلها برآورد متغیرهای پنهان فضایی در موقعیتهای دارای مشاهده پاسخ و پارامترهای مدل و در نهایت پیشگویی متغیرهای پنهان در موقعیتهای فاقد مشاهده است. در این راستا اغلب کاربران برای سهولت توزیع نرمال را برای متغیرهای پنهان در نظر می گیرند. اگرچه این فرض باعث سهولت محاسبات می شود، اما گاهی در عمل محیا نیست، یا به دلیل پنهان بودن بررسی آن میسر نمی باشد. لذا در این مقاله استفاده از توزیع چوله نرمال بسته که در حالت خاص شامل توزیع نرمال است و تحت حاشیه سازی، شرطی کردن و تبدیلات خطی بسته می باشد، برای متغیرهای پنهان پیشنهاد می شود. در این مدلها تابع درستنمایی فرم بسته ای ندارد و به دست آوردن برآوردهای ماکسیمم درستنمایی پارامترها به راحتی امکان پذیر نیست. در این مقاله الگوریتمی تقریبی برای برآورد ماکسیمم درستنمایی پارامترهای مدل و پیشگوی تقریبی متغیرهای پنهان ارائه می شود، که در مقایسه با روشهای موجود بسیار سریعتر است. اعتبار مدل و الگوریتم پیشنهادی در یک مطالعه شبیه سازی مورد بررسی قرار می گیرد. Spatial generalized linear mixed models are usually used for modeling non-Gaussian and discrete spatial responses. In these models, spatial correlation of the data can be considered via latent variables. Estimation of the latent variables at the sampled locations, the model parameters and the prediction of the latent variables at un-sampled locations are of the most important interest in SGLMM. Often the normal assumption for latent variables is considered just for convenient in practice. Although this assumption simplifies the calculations, in practice, it is not necessarily true or possible to be tested. In this paper, a closed skew normal distribution is proposed for the spatial latent variables. This distribution includes the normal distribution and also remains closed under linear conditioning and marginalization. In these models, likelihood function cannot usually be given in a closed form and maximum likelihood estimations may be computationally prohibitive. In this paper, for maximum likelihood estimation of the model parameters and predictions of latent variables, an approximate algorithm is introduced that is faster than the former method. The performance of the proposed model and algorithm are illustrated through a simulation study. مدل آمیخته خطی تعمیم یافته فضایی , متغیر پنهان , توزیع چوله نرمال بسته , Spatial Generalized Linear Mixed Model , Latent variable , Closed skew normal distribution , 305 312 http://jsci.khu.ac.ir/browse.php?a_code=A-10-33-3&slc_lang=fa&sid=1 Mohsen Mohammadzadeh Darrodi محسن محمدزاده درودی mohsen_m@modares.ac.ir 1003194753284600256 1003194753284600256 Yes Department of Statistics, Tarbiat Modares University, P.O.Box 14115-134 تهران-تقاطع جلال آل احمد و چمران-دانشگاه تربیت مدرس-دانشکده علوم ریاضی-گروه آمار- صندوق پستی 134-14115 فاطمه حسینی fahosseini1980@yahoo.com 1003194753284600257 1003194753284600257 No عضو هیات علمی گروه آمار