en استنباط درستنمایی در مدل رگرسیونی  لوژستیکی اثرهای تصادفی  با  بدرده‌بندی پاسخ و متغیر کمکی در معرض خطای اندازه‌گیری عمومى General پژوهشي Research &nbsp;<br> <span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">مدل‌های آمیخته‌ی خطی تعمیم‌یافته، روش‌های متداولی به‌منظور تحلیل داده‌های گروه‌بندی‌شده هستند. در بسیاری از مطالعه‌های طولی و بررسی‌های اپیدمیولوژیکی همراه با ساختار سلسله مراتبی، اندازه‌گیری‌های دقیق متغیرها، غیر ممکن و گاهی هزینه‌بر است و حتی موقعیت‌هایی وجود دارد که ممکن است متغیرهای پاسخ و پیشگو، هر دو در معرض خطای اندازه‌گیری باشند. در بسیاری از مواقع، عدم حساسیت نسبت به خطا، در متغیر پاسخ و یا متغیر پیشگو، منطقی به‌نظر نمی‌رسد. به‌طور طبیعی، هنگام مدل‌بندی پاسخ‌ها با کمک رگرسیون ناخطی و به‌منظور استنباط مناسب، وجود خطای رده‌بندی برای پاسخ‌های دودویی و خطای اندازه‌گیری در پیشگوها را باید در تحلیل در نظر گرفت. در مقاله‌ی حاضر، با استفاده از رویکرد مربع‌بندی گاوس-هرمیت چندمتغیری برای تقریب تابع درست‌نمایی، روشی برای تعدیل بدرده‌بندی تفکیک‌ناپذیر در پاسخ‌های دودویی وابسته و همچنین خطای اندازه‌گیری کلاسیک در متغیرهای پیشگو ارائه خواهد شد. سپس مطالعه‌ی شبیه‌سازی برای بررسی اثر تصحیح خطای اندازه‌گیری و بدرده‌بندی بر براورد پارامترهای رگرسیونی انجام خواهد شد. به‌علاوه، کاربست رویکرد مربع‌بندی گاوس-هرمیت چندمتغیری در مواجهه با خطاهای مورد اشاره هنگام تحلیل داده‌ی واقعی مرتبط با روش‌های پیشگیری از بارداری زنان بنگلادشی با مدل‌های چندسطحی نشان داده می‌شود.</span></span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"></span></span></span><br> &nbsp;<br> &nbsp;<br> &nbsp;<br> &nbsp;<br> <span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"></span></span> &nbsp;<br> &nbsp;<br> &lrm;Generalized linear mixed models (GLMMs) are common methods for the analysis of clustered data&lrm;. &lrm;In many longitudinal and hierarchical epidemiological frameworks&lrm;, &lrm;accurate measurements of variables are invalid or expensive to be obtained and there might be situations that both the response and covariate variables are likely to be mismeasured&lrm;. &lrm;Insensitivity of errors in either covariate or response variable is&lrm;, &lrm;not always plausible&lrm;. &lrm;With nonlinear regression models for the outcome process&lrm;, &lrm;classification errors for binary responses and measurement error in covariates basically needs to be accounted for in order to make conclusive inferences&lrm;. &lrm;In this article&lrm;, &lrm;we provide an approach to simultaneously adjust for non-differential misclassification in the correlated binary response and classical measurement error in the covariates&lrm;, &lrm;using the multivariate Gauss-Hermite quadrature technique for the approximation of the likelihood function&lrm;. &lrm;Simulation studies are then conducted to inform the effects of correcting for measurement error and misclassification on the estimation of regression parameters&lrm;. &lrm;The application of the multivariate Gauss-Hermite quadrature method in the conjunction of measurement error and misclassification problems is further highlighted with real-world data based on a multilevel study of contraceptive methods used by women in Bangladesh&lrm;.<br> &nbsp;<br> &nbsp;  خطای اندازه‌گیری, پاسخ دودویی, روش مربع‌بندی گوس-هرمیت چندمتغیری, مدل رگرسیون لوژستیک با اثر تصادفی, بدرده‌بندی. Measurement Error, Binary Response, Multivariate Gauss-Hermite Quadrature, Random Effects Logistic Regression Model, Misclassification.‎ 255 286 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-80-1&slc_lang=en&sid=1 Maryam Ahangari مریم آهنگری m.ahangari@modares.ac.ir 10031947532846001793 10031947532846001793 No Mousa golalizadeh موسی گل‌علیزاده golalizadeh@modares.ac.ir 10031947532846001794 10031947532846001794 Yes Zahra Rezaei Ghahroodi زهرا رضایی قهرودی z.rezaeigh@ut.ac.ir 10031947532846001795 10031947532846001795 No