en مدل‌بندی تابعی بارندگی ایران بر اساس دما و رطوبت عمومى General پژوهشي Research <p dir="RTL">&nbsp;اخیراً تحلیل داده‌های تابعی به‌دلیل دسترسی آسان‌تر به داده‌هایی که ذاتاً به‌صورت تابع هستند پیشرفت قابل توجهی داشته است. مدل بندی بارندگی بر اساس دما و رطوبت با در نظر گرفتن ماهیت واقعی این پدیده‌ها که تابعی پیوسته از زمان هستند تاکنون به‌درستی در ایران انجام نشده است. داده‌های مربوط معمولاً به‌صورت روزانه یا ماهانه (گسسته) جمع‌آوری می‌شوند. اما اگر این داده‌های گسسته به‌صورت برداری فرض شوند و از روش‌های چندمتغیره برای تحلیل آن‌ها استفاده شود، مشکلات زیادی از جمله وجود بی‌نهایت جواب برای معادلات نرمال منتج از آن در رگرسیون وجود دارد.</p> <p dir="RTL">با توجه به این که داده‌های گسسته‌ی اولیه برای بررسی باید با استفاده از روش مناسب به توابع پیوسته تبدیل شوند، به‌دلیل سادگی، رویکرد توابع پایه برای این کار مورد استفاده قرار می‌گیرد که خود به‌عنوان روشی برای کاهش بُعد داده‌های تابعی مطرح می‌باشد. در این مقاله، مشکلاتی که در نتیجه‌ی استفاده از روش‌های رگرسیون چندگانه به جای به ‌کارگیری روش‌های رگرسیون تابعی رخ می‌دهند بحث می‌شود. در ادامه، با در نظر گرفتن مدل رگرسیون خطی تابعی ساده که در آن فقط یک متغیر مستقل تابعی (دما یا رطوبت نسبی) وجود دارد و متغیر پاسخ آن (لگاریتم مقدار بارندگی) اسکالر یا تابعی است ضرایب را براورد می‌کنیم. پس از آن با توسعه‌ی مدل فوق و با وارد کردن هر دو متغیر مستقل تابعی به‌طور هم‌زمان به مدل، پارامترهای آن را براورد می‌کنیم. در انتها نیز، به تفسیر و ارزیلبی مدل‌های به‌دست آمده می پردازیم.</p> <p dir="RTL"></p> <p>Functional Data Analysis (FDA) has recently made considerable progress because of easier access to the data that are essentially in the form of curves. Modeling of Iranian precipitation based on temperature and humidity with continuous the essential nature of such phenomena that are continuous functions of time has not been done properly. The corresponding data are generally collected daily or monthly (discretely). However, if one treats those data as multivariate observations and analyzes by multivariate methods, it may cause some problems such as infinite number of solutions for normal equations in regression.</p> <p>In regard to the fact that the original discrete data must be firstly converted to continuous functions, we usually use &ldquo;basis function methods&rdquo; for dimension reduction of the data due to its simplicity. In this article, problems arising form using multiple regression methods instead of applying functional regression approaches are discussed.</p> <p>We have treated a real dataset that was collected from 102 Iranian weather stations in 2006. The dataset ... [<a href="./files/site1/files/en_Hosseini_nasab1.pdf">To continue please click here</a>]</p> تحلیل داده های تابعی, رگرسیون تابعی, هموارسازی, توابع پایه Functional data analysis, functional regression, smoothing, basis functions 95 121 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-100&slc_lang=en&sid=1 E. Hosseini-nasab ابراهیم حسینی‌نسب m_hosseininasab@sbu.ac.ir 1003194753284600573 1003194753284600573 Yes N. Kheirolah-zadeh نصیبه خیراللّه‌زاده 1003194753284600574 1003194753284600574 No N. Tazikeh Miyandarreh نوراللّه تازیکه میاندره 1003194753284600575 1003194753284600575 No