fa مجموعه‌ی پذیرفتنی مدل‌های رقیب بر پایه‌ی مخاطره‌های کولبک ‌ــ‌‌ لیب‌لر آمیخته عمومى General پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong>چکیده:</strong> هدف از انتخاب مدل یافتن مدل بهینه است. در حالت کلی، مدل مناسب نتایج خوبی به‌دست می‌دهد و لذا بررسی معیارهای ارزیابی یک مدل‌ ذهنی برای بررسی نیکویی مدل مناسب از اهمیت ویژه‌ای برخوردار است. در این مقاله هدف پاسخ به این سؤال است که چگونه می‌توان مجموعه‌ای نامتناهی از همه‌ی مدل‌های مناسب برای داده‌ها را به مجموعه‌ای کوچک‌تر تبدیل کرد. در این مقاله، ترکیبی متناهی از معیاری شناخته‌شده در مسأله‌ی انتخاب مدل برای پاسخ به این سؤال در نظر گرفته شده است که هدف آن انتخاب یک مجموعه‌ی منطقی از مدل‌ها بر پایه‌ی اندازه‌ای از نزدیکی مدل انتخابی به مدل درست است. نشان می‌دهیم که رده‌ای بسیار کلی از معیارهای آماری، که آن را معیار کولبک ــ‌ لیب‌لر آمیخته‌ی متناهی می‌نامیم راهی برای نظریه‌ی انتخاب مدل فراهم می‌کند. دو نوع ضریب یکی بر پایه‌ی تابع چگالی و دیگری بر اساس تابع مخاطره برای معیار آمیخته در نظر گرفته شده است. نتایج شبیه‌سازی و تحلیل داده‌های واقعی نتایج نظری را تأیید می‌کنند.</p> <p dir="RTL"></p> <p dir="RTL"></p> <p></p> <p style="text-align: justify;"><strong>Abstract:</strong> Model selection aims to find the optimum model. A good model will generally yield good results. Herein lies the importance of model evaluation criteria for assessing the goodness of a subjective model. In this work we want to answer to this question that, how could infinite set of all possible models that could have given rise to data, be narrowed down to a reasonable set of statistical models? This paper considers a finite mixture of the known criterion to the model selection problem to answer to the question. The aim of this kind of criteria is to select an reasonable set of models based on a measure of closeness. We demonstrate that a very general class of statistical criterion, which we call that finite mixture Kullback-Leibler criterion, provides a way of rival theory model selection. In this work we have proposed two types of coefficients for the mixture criterion, one based on the density and another one based on the risk function. The simulation study and real data analysis confirme the proposed criteria.</p> <p align="left"></p> <p></p> ملاک اطلاع آکائیکه, واگرایی کولبک ‌ــ‌ لیب‌لر, انتخاب مدل غیر آشیانی. Akaike information criterion, Kullback-Leibler divergence, non-nested model selection. 59 88 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-165&slc_lang=fa&sid=1 Abdolreza Sayyareh عبدالرضا سیاره asayyareh@kntu.ac.ir 1003194753284600875 1003194753284600875 Yes