en تحلیل رگرسیونی تحت مدل گاوسی وارون در حالت مشاهدات مکرر عمومى General پژوهشي Research <p dir="RTL"><span style="line-height: 1.6em;">در تحلیل‌های رگرسیونی مرسوم، فرض‌های اساسی شامل نرمال بودن متغیر پاسخ، و عدم وابستگی بین واریانس و میانگین آن است. امّا موارد بسیاری در علوم زیستی، مهندسی واقتصاد وجود دارند که متغیر پاسخ شدیداً چوله است و به‌علاوه رابطه‌ی تابعیِ مشخصی بین واریانس و میانگین وجود دارد. در چنین مواردی، بدیلی مناسب برای توزیع نرمال، توزیع گاوسی وارون است که خانواده‌ی بسیار غنی را تشکیل می‌دهد و می‌تواند برای مدل‌بندی حالت‌های بسیار متنوع به کار رود.</span></p> <p dir="RTL">در این مقاله، تحلیل رگرسیونی برای مدل گاوسی وارون را در حالتی عرضه می‌کنیم که به‌ازای مقداری مشخص از بردار متغیرهای پیشگو، مشاهداتی مکرر از متغیر پاسخ را در دست داریم. این موضوع را از سه دیدگاه درستنمایی، بیزی و بیز تجربی تحت پیشین مزدوج، مورد بررسی قرار می‌دهیم. در هر مورد، برآورد معادله‌ی رگرسیون و استنباط‌های مربوط به آن را ارائه می‌کنیم و با مثالی عددی روش‌های ابداعی را تشریح می‌کنیم.</p> <p dir="RTL"></p> <p dir="RTL"></p> <p><span style="line-height: 1.6em;">&nbsp;Traditional regression analyses assume normality of observations and independence of mean and variance. However, there are many examples in science and Technology where the observations come from a skewed distribution and moreover there is a functional dependence between variance and mean.</span></p> <p>In this article, we propose a method for regression analysis under Inverse Gaussian model when there are repeated observations for a fixed value of explanatory variable. The problem is treated by likelihood, Bayes, and empirical Bayes procedures, using conjugate priors. Inferences are provided for regression analysis.</p> <p></p> استنباط بیزی, بیز تجربی, پیشین مزدوج, پسین, توزیع گاوسی وارون, رگرسیون, درستنمایی. Bayesian inference, empirical Bayes, conjugate prior, posterior, inverse Gaussian distribution, regression, likelihood. 31 50 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-108&slc_lang=en&sid=1 Reza Meshkani رضا مشکانی mrmeshkani@gmail.com 1003194753284600806 1003194753284600806 Yes