en
jalali
1383
12
1
gregorian
2005
3
1
1
2
online
1
fulltext
en
تعیین اندازهی نمونهی یک آزمایه با استفاده از روش لیندلی
Determination of the Size of a Trial, Using Lindley’s Method
در این مقاله اندازهی بهینهی یک آزمایهی تصادفی را برای حالتی که تابع مطلوبیت، تابعی از نسبت میانگین به واریانس تابع چگالی پسینِ پارامتر مورد علاقه است به دست میآوریم و از روش بیزی که رایفا و شلایفر (1961) به کار گرفتند و توسط لیندلی (1997) و اوهاگان و استیونس (2001) توسعه یافت، استفاده میکنیم. فرضهایی که در نظر خواهیم گرفت از یک دیدگاه، مسئله را بسیار ساده میکند و شاید با آنچه در عمل رخ میدهد، تفاوت بهوجود آورد اما هدف این است که نشان دهیم مسئله در یک حالت خاص دارای جواب صریح و قابل تعمیم به حالتهای پیچیدهتر است.
Extended Abstract. When a new treatment is being considered, trials are carried out to estimate the increase in performance which is likely to result if the new treatment were to replace the treatment in current use. Many authors have looked at this problem and many procedures have been introduced to solve it. An important feature of the analysis in this work is that account is taken of the fact that only if it turns out that the new treatment, in a statistical sense, is clearly better than the previous treatment will the number of subsequent users of the new treatment be high.
Traditional classical methods of selecting sample sizes are based on the required size, and the required power of the test for a specified treatment effect. The most frequently used sample size formulae arises from the relationship between the standard error of the estimator of the parameter of interest and the sample size.
Since the formulae can be highly sensitive to the choice of inputs, careful selection of the parameter estimates and target criteria are essential steps in determining the sample size. Classical or frequentist methods are unable to take into account uncertainty in point specifications. Bayesian methods are ideally suited for design since they provide a tool for specifying uncertainty, and how it changes in response to further information.
In this work we figure out the optimal size of...[To continue please click here]
sample size, Bayesian approach, cost, net benefit, maximization of expected utility (MEU).
اندازهی نمونه, رهیافت بیزی, تابع مطلوبیت, هزینه, سود خالص, روش MEU.
101
108
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-113&slc_lang=en&sid=1
2016/02/9
1394/11/20
2016/02/9
1394/11/20
H.
Pezeshk
حمید
پزشک
pezeshk@khayam.ut.ac.ir
003194753284600812
003194753284600812
Yes
en
طرح نمونهگیری حذف سطر و ستون +1 و کارایی آن
Row and Column Elimination Sampling Design +1 and its Efficiencies
در این مقاله طرح نمونهگیری «حذف سطر و ستون +1» را معرفی میکنیم. این طرح نمونهگیری یک حالت عمومی از طرح نمونهگیری «مربع لاتین ساده-k» است که توسط بورکوفسکی (2003) معرفی شده است. این طرح نمونهگیری برای جوامعی که بهصورت آرایهی مستطیلی قابل استفاده است. برعکس، طرح نمونهگیری «مربعی لاتین ساده-k» فقط برای آرایههای مربعی قابل استفاده است. در این مقاله شرط لازم و کافی برای اینکه طرح نمونهگیری «حذف سطر و ستون +1» از طرح نمونهگیری تصادفی ساده بدون جایگذاری کاراتر باشد، ارائه میشود. با توجه بهشرط ارائه شده، مشخص میشود چنانچه جامعه دارای روند افقی و عمودی باشد، این طرح نمونهگیری کاراتر است. با مطالعه روی یک جامعه از صدفهای کمیاب آب شیرین که دارای روند عمودی بسیار ملایمی هستند، چگونگی تغییرات کارایی مورد بحث قرار میگیرد.
Extended Abstract. It is a traditional way in biological, sociological, agricultural and geological studies to partition a geographical area into quadrats and then take a sample of them by a particular sampling design. We study the relevant characteristic of quadrats to estimate a parameter of the population. We suppose that the variable of interest has a positive spatial autocorrelation. Sampling designs which produce an appropriate coverage of the population will increase the precision of the parameter estimator, (Schreuder et al, 1993).
Hájek (1959), under a model with a positive spatial autocorrelation, illustrated that the systematic sampling is an optimum sampling design for one dimensional population. However, systematic and stratified samplings with only one sample in each stratum, are two traditional sampling designs that cover the population region well (McKenzie et al, 1991). Unfortunately, there is no unbiased estimator for these two sampling designs. Simple Latin Square Sampling (SLSS) design is another design which provides a good coverage for population. Also, this design has no variance estimator and it is considered as a weak point in practice. Munholland and Borkowski, (1995) introduced Simple Latin Square Sampling +1 (SLSS+1). They suggest that taking one additional sampling unit helps to provide an unbiased variance estimator. However, two other problems still exist concerning SLSS and SLSS+1. The population has to be a square and also the sample size be restricted to square root of the population size.
Salehi (2002) introduced Systematic Simple Latin Square Sampling (SSLSS) for...[To continue please click here]
Latin Square Sampling Design, Horvitz-Thompson Estimator, Autocorrelation Coeficient, Spatial Data Analysi
طرح نمونهگیری مربع لاتین, برآوردگر هورویتز-تامپسون, ضریب خودهمبستگی, تحلیل دادههای فضایی
109
122
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-115&slc_lang=en&sid=1
2016/02/92016/02/9
1394/11/20
2016/02/92016/02/9
1394/11/20
M.
Salehi M
محمد
صالحی مرزیجرانی
salehi_m@cc.iut.ac.ir
003194753284600488
003194753284600488
Yes
A.
Jamalzadeh
امین
جمالزاده
amin_jamalzadeh@srtc.ac.ir
003194753284600489
003194753284600489
No
en
برآورد پارامتر مقیاس در یک زیرخانوادهی نمایی از توزیعها تحت تابع زیان متعادل وزنی
Estimation of Scale Parameter in a Subfamily of Exponential Family with Weighted Balanced Loss Function
در این مقاله زیرخانوادهای نمایی از توزیعها با پارامتر مقیاس نامعلوم $theta$ را معرفی کرده، برآورد بیز پارامتر $theta$ را تحت تابع زیان متعادل وزنی به دست میآوریم. همچنین پذیرفتنی بودن برآوردگرهای خطی پارامتر $theta$ را مورد بررسی قرار میدهیم و نشانخواهیم داد که برآوردگرهای خطی بهصورت
$ATbar(X)+B$
که در آن
$Tbar(X)=1/n sum_limits^n_{i=1} T(X_i)$
، بهازای چه مقادیری از A و B ناپذیرفتنی هستند و در هر مورد مغلوبکنندههای مناسب را ارائه میکنیم. بهعلاوه، برآوردگرهای بیزی سلسلهمراتبی پارامتر $theta$ را تحت تابع زیان متعادل وزنی با استفاده از توزیعهای پیشین ناآگاهیبخش و همچنین توزیعهای پیشین مزدوج به دست آورده و پذیرفتنی بودن آنها را مورد مطالعه قرار میدهیم. در نهایت، برآوردگر بیز تجربی پارامتر مقیاس $theta$ را به دست آورده و پذیرفتنی بودن آن را بررسی میکنیم.
Suppose x1,x2, x3, ..., xn is a random sample of size n from a distribution with pdf...[To continue please click here]
Admissibility, exponential family, weighted balanced loss function, Bayes estimator, empirical Bayes estimator, hierarchical Bayes estimator.
خانوادهی نمایی, تابع زیان متعادل وزن, برآوردگر بیزی, برآوردگر بیزی تجربی, برآوردگر بیزی سلسلهمراتبی, پذیرفتنی بودن.
123
142
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-112&slc_lang=en&sid=1
2016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/9
1394/11/20
A.
Parsian
احمد
پارسیان
ahmad_p@cc.iut.ac.ir
003194753284600486
003194753284600486
Yes
M.
Jafari Jozani
محمد
جعفری جوزانی
m_jafari@sbu.ac.ir
003194753284600487
003194753284600487
No
en
گشتاورهای متغیّر همراه رکورد کلاسیک و کرانهای ناپارامتری میانگین تحت مدلی فارلی ـ گامبل ـ مورگنشترن
On Moments of the Concomitants of Classic Record Values and Nonparametric Upper Bounds for the Mean under the Farlie-Gumbel-Morgenstern Model
در یک دنباله از متغیّرهای تصادفی جفتشده، زمانیکه فقط بررسی دنبالهای از آمارههای یکی از دو مؤلفه مد نظر باشد، مؤلفهی دوم متناظر با هر آماره تحت عنوان متغیّر همراه (concomitant) آن آماره مورد بررسی قرار میگیرد. از جملهی این آمارهها میتوان آمارههای ترتیبی، رکوردها، سانسورها و غیره را نام برد. در این مقاله هدف بررسی خواص دنبالهی متغیّرهای همراه رکوردها است. در یک دنباله از متغیّرهای تصادفی، رکوردها مقادیری هستند که از مشاهدات قبلی بزرگتر و یا کوچکتر هستند. بسیاری از پدیدههای طبیعی، دادههای مربوط به مسابقات ورزشی و یا آزمایههای بالینی در قالب این چنین الگوهای احتمال، قابل بررسی هستند. بدین منظور برای دنبالهای از جفتمشاهدات مستقل و همتوزیع با متغیّرهای تصادفی (X, Y) خواص گشتاورهای متغیّرهای تصادفی Y متناظر با رکوردهای متغیّر تصادفی X در حالت کلی و تحت مدل فارلی ـ گامبل ـ مورگنشترن (Farlie-Gumbel-Morgenstern) مورد بررسی قرار گرفته است. در ادامه کرانهای ناپارامتری میانگین تحت مدل بالا و بهشیوههای متفاوت به دست آمده و با هم مقایسه شدهاند.
In a sequence of random variables, record values are observations that exceed or fall below the current extreme value.Now consider a sequence of pairwise random variables {(Xi,Yi), i>=1}, when the experimenter is interested in studying just thesequence of records of the first component, the second component associated with a record value of the first one is termed the concomitant of that record value. The aim of this paper is to investigate the properties of concomitants of record values in Farlie-Gumbel-Morgenstern (FGM) model. So, the sequence of upper record values and their associated concomitants can...[To continue please click here]
رکورد بالا, متغیّر همراه, گشتاور, مدلی فارلی ـ گامبل ـ مورگنشترن, نابرابری کوشی ـ شوارتس, کران ناپارامتری.
143
160
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-110&slc_lang=en&sid=1
2016/02/92016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/92016/02/9
1394/11/20
M.
Amini
مرتضی
امینی
m_am65@stu-mail.um.ac.ir
003194753284600484
003194753284600484
Yes
J.
Ahmadi
جعفر
احمدی
ahmadi@math.um.ac.ir
003194753284600485
003194753284600485
No
en
برآوردگر مینیماکس خطی بریده توانی از پارامتر مقیاس در فضای پارامتری از پایین کراندار
Truncated Linear Minimax Estimator of a Power of the Scale Parameter in a Lower- Bounded Parameter Space
مسئلهی برآورد کردن مینیماکس در فضای پارامتری مقید و بهویژه کراندار در دو دههی اخیر مورد توجه روزافزون پژوهشگران قرار گرفته است. در این مقاله ردهی برآوردگرهای خطی بریده برای برآورد توان r ام پارامتر مقیاس از پایین کراندار، یک زیرخانوادهی نمایی از توزیعها را در نظر میگیریم. در این مقاله نشان میدهیم که تحت تابع زیان توان دوم خطای مقیاس ناوردا، همهی اعضای این رده ناپذیرفتنی هستند و فقط یکی از آنها مینیماکس است. برآوردگر مینیماکس بهدست آمده با برآوردگر مینیماکس و پذیرفتنی پارامتر مقیاس و از پایین کراندار که توسط جعفری جوزانی و همکاران (2002) به دست آمده است، مقایسه خواهد شد. همچنین با در نظر گرفتن خانوادهی توزیعهای خیدوی تبدیل یافته، برای پارامتر از پایین کراندار این خانواده، که لزوماً پارامتر مقیاس نیست، نتایجی مشابه به دست خواهیم آورد.
Minimax estimation problems with restricted parameter space reached increasing interest within the last two decades Some authors derived minimax and admissible estimators of bounded parameters under squared error loss and scale invariant squared error loss In some truncated estimation problems the most natural estimator to be considered is the truncated version of a classical estimator in the original problem The MLE in the truncated normal problem is one such example In exponential families a class of reasonable estimators of the mean in the unrestricted problem are the linear estimators which arise as (proper or generalized) Bayes estimators for conjugate families. Hence it is natural to consider a truncated version of such linear estimators.
A theme which runs through much of the literature on such truncated procedures is that while they are improving on the untruncated estimator, they themselves are inadmissible because they are not generalized Bayes.
In this paper we consider a subclass of the exponential families of distributions which includes Exponential, Weibull, Gamma, Normal, Inverse Gaussian and some other distributions. The minimax and linear admissible estimators of the r-th power of scale-parameter under scale-invariant squared-error loss are obtained. Also the class of truncated linear estimators of the r-th power of the lower-bounded scale parameter in this family is considered. It is shown that each member of this class is inadmissible and exactly one of them is minimax, under scale-invariant squared-error loss. Further, this minimax estimator is compared with admissible minimax estimator of the lower[1]bounded scale-parameter, which is obtained by Jafari Jozani et al. (2002). Dealing with the family of transformed Chi-square distributions, which is introduced by Rahman and Gupta (1993), we apply our result for their lower bounded parameters which are not necessarily scale parameters. We show that the truncated linear minimax estimator obtained by van Eeden (1995) in gamma distribution is a special case of our estimator.
Truncated parameter space, Truncated linear estimators, Minimax estimator, Admissible estimator, Exponential Family, Scale-invariant, squared-error loss.
فضای پارامتری بریده, برآوردگرهای خطی بریده, برآورد کردن مینیماکس, قابلیت قبول, خانوادهی نمایی, زیان توان دوم خطای مقیاس ناوردا.
161
178
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-111&slc_lang=en&sid=1
2016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
N.
Nematollahi
نادر
نعمت الهی
na_nemat@yahoo.com
003194753284600482
003194753284600482
Yes
M.
Jafari Jozani
محمد
جعفری جوزانی
m_jafari@sbu.ac.ir
003194753284600483
003194753284600483
No
en
برآورد مخاطرهی تجمعی در آمیختههای شیمیایی
Cumulative Risk Estimation for Chemical Mixtures
بشر در عمل هموراه در معرض ترکیبهایی از مواد سمی و بهندرت فقط در معرض یک ماده است. قرار گرفتن در معرض همزمان گروههای بسیاری از مواد شیمیایی، ممکن است پیامدهای غیر منتظرهای را در پی داشته باشد. مخاطرهی ترکیبی ممکن است از مجموع اثرهای ایجاد شده از یکایک مواد شیمیایی، اثری کمتر و یا بیشتر داشته باشد. در اینجا، روشی برای برآورد کردن مخاطرهی تجمعی که مخاطرهی مربوط به قرار گرفتن در معرض چند مادهی شیمیایی از مسیرهای مختلف است، پیشنهاد میشود. این روش بر پایهی استفاده از دادهها برای تعیین یک تبدیل توانی مناسب از دُز افزایی است. شرایط لازم و کافی برای ثبات توان نسبی بین دو مادهی شیمیایی بر حسب شیبهای مدلهای دُز-پاسخ توأم آمیخته برآورد کرد. برای توضیح مطلب، مثالی با استفاده از آمیختهای از چهار مادهی شیمیایی به کار برده میشود.
In reality, humans are always exposed to a combination of toxic substances and seldom to a single agent. Simultaneous exposure to a multitude of chemicals could result in unexpected consequences. The combined risk may lead to greater or less than a simple summation of the effects induced by chemicals given individually. Here, a method is proposed for estimating the cumulative risk which is the risk associated with exposure to more than one chemical through different routes. The method is based on using the data to determine a suitable power transformation of the dose of each component of the mixture and fitting a doseresponse model to the mixture under doseaddition. Necessary and sufficient conditions for the constancy of the relative potency between two chemicals in terms of the slopes of their corresponding doseresponse models are derived and it is shown how the relative potency may be estimated directly from the joint doseresponse model of the mixture. An example using a mixture of four chemicals is used for illustration.
BoxCox transformation, chemical mixtures, joint action, risk assessment.
تبدیل باکس و کاکس, آمیختهی شیمیایی, کنش توأم, ارزیابی مخاطره
196
208
http://jsri.srtc.ac.ir/browse.php?a_code=A-10-1-114&slc_lang=en&sid=1
2016/02/92016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
2016/02/92016/02/92016/02/92016/02/92016/02/92016/02/9
1394/11/20
M.
Razzaghi
مهدی
رزاقی
Razzaghi@bloomu.du
003194753284600481
003194753284600481
Yes