Often in many applications, we are interested in examining the impact and relationship of different factors on a variable that is expressed as a ratio and percentage, such as disease rate, percentage of a disease in a particular area, unemployment ratio and inflation rate. To aim it, a appropiate regression model is chosen according to the type of response variable. When the response variable is in form of percentage or ratio, or even defined in the range like (a, b), the beta regression model is proposed. Beta regression model belongs to the family of generalized linear models. In this thesis, first the beta regression model by considering different models on the precision parameter are introduced and parameters of the model have been estimated in classical framework. Then we consider bayseian estimation of parameters. We show performance of the bayesian estimation of the parameters by using a Monte Carlo simulations and applying the bayesian model of beta regression to real data set will be the final application of this research
Text of Note
در بسیاری از مسایل کاربردی علاقه مند به بررسی تاثیر و رابطه عوامل مختلف روی متغیری هستیم که به صورتنسبت و درصد بیان میشود، مانند نرخ بیماری، درصد یک بیماری در یک منطقه خاص، نسبت بیکاری و نرخ تورم.این مطالعه معمولاً با بکارگیری مدلهای رگرسیونی با توجه به نوع متغیر پاسخ انجام میگیرد، که در این حالت خاصیعنی زمانی که متغیر پاسخ به صورت درصد یا نسبت باشد، یا حتی در بازه (a, b) تعریف شود، مدل رگرسیون بتاپیشنهاد داده شده است. که متعلق به خانواده مدلهای خطی تعمیم یافته است. در این پایاننامه بعد از معرفی مدلهای خطی تعمین یافته به مدل رگرسیونی بتا و برآورد پرامترهای آن در حالت کلاسیک، به تحلیل بیزی آن خواهیمپرداخت. استنباط بیزی را با نظر گرفتن حالتهای مختلف روی پارامتر دقت انجام خواهیم داد . شبیه سازی مونتکارلو و سپس به کارگیری مدل بیزی رگرسیون بتا برای دادهای واقعی به عنوان کاربرد بخش پایانی این تحقیقخواهد بود
OTHER VARIANT TITLES
Variant Title
مدلهای رگرسیون بتای بیزی
UNCONTROLLED SUBJECT TERMS
Subject Term
Beta regression model - Maximum likelihood estimator- Bayesian inference - Posterior distribution- Monte Carlo simulation