مدل رگرسیون نیمهپارامتری مکان-مقیاس با دمهای نیمهسنگین بر اساس توزیع هایپربولیک سکانت

کاربران مدل‌های رگرسیون کلاسیک دریافته‌اند که در عمل بسیاری از پذیره‌های این نوع مدل‌ها برقرار نیستند و باید مدل‌هایی را به کار گرفت که قادر به مدل‌بندی ماهیت واقعی داده‌ها باشند. رده مدل‌های جمعی تعمیم‌یافته برای همه پارامترهای یک توزیع شامل مکان، مقیاس و شکل، یک رده بسیار منعطف و پرطرفدار است که می‌تواند پیچیدگی‌های موجود در داده‌ها را لحاظ کند. در کنار ارایه یک مدل رگرسیونی برای پارامترهای مختلف توزیع متغیر پاسخ و نه فقط میانگین، مدل‌بندی داده‌های پرت نیز دارای اهمیت است. در مواردی که تعداد داده‌های پرت اندک است، استفاده از توزیع‌های دم‌ سنگین می‌تواند پیچیدگی بیش از حد نیاز وارد مساله کند. در این مقاله، با در نظر گرفتن توزیع هایپربولیک سکانت با دم نیمه‌سنگین و تعبیه آن در چارچوب مدل‌های جمعی تعمیم‌یافته برای مکان، مقیاس و شکل، یک مدل رگرسیون نیمه‌پارامتری مکان-مقیاس جدید را برای رفع این مشکل در کنار حفظ انعطاف بالای مدل‌بندی اثرات متغیرهای رگرسیونی، معرفی می‌کنیم. کارایی مدل پیشنهادی را در مقایسه با مدل کلاسیک نرمال با یک مطالعه شبیه‌سازی بررسی می‌کنیم و کاربست آن را در یک مثال واقعی نمایش می‌دهیم.