fa انتخاب مجموعه ای مجاز از kمدل رقیب غیرآشیانی استنباط آماری Statistical Inference پژوهشی بنیادی Research در تحلیل های آماری با یک نمونه تصادفی از یک جامعه با چگالی درست و نامعلوم روبرو هستیم. معمولا مدلی پارامتری به عنوان تقریبی از این چگالی در نظر گرفته می شود و استنباط براساس آن صورت می گیرد. به طور بدیهی مبایست چگالی پارامتری به چگالی درست نزدیک باشدتا به استنباط معتبر در مورد جامعه دست یافته شود. پیشنهاد یک مدل قطعی براساس تعداد محدودی از مشاهدات به عنوان تقریب یا برآوردی از چگالی درست موجب بروز ریسک بزرگی در انتخاب مدل برای جامعه خواهد شد. به همین دلیل چند مدل غیرآشیانی انتخاب و بررسی می شود که کدام مدل به چگالی درست داده ها نزدیک تر است . در این مقاله به بررسی این سوال اساسی در انتخاب مدل پرداخته شده است که چگونه می توان مجموعه ای از مدل های مناسب را برای چگالی درست به دست آورد. روشی پیشنهاد می شود تا نشان داده شود که براساس ریسک کولبک -لیبلر در هر خانواده از مدل های رقیب کدام یک از چگالی ها از لحاظ نزدیکی به چگالی درست معادل هستند . مجموعه تمام عضوهای این خانواده که از لحاظ نزدیکی به چگالی درست معادل هستند مجموعه مجاز نامیده می شود. Suppose we have a random sample of size n of a population with true density h(.). In general, h(.) is unknown and we use the model f as an approximation of this density function. We do inference based on f. Clearly, f must be close to the true density h, to reach a valid inference about the population. The suggestion of an absolute model based on a few obsevations, as an approximation or estimation of the true density, h, results a great risk in the model selection. For this reason, we choose k non-nested models and investigate the model which is closer to the true density. In this paper, we investigate this main question in the model selection that how is it possible to gain a collection of appropriate models for the estimation of the true density function h, based on Kullback-Leibler risk. انتخاب مدل, ریسک کولبک - لیبلر , مدل های غیر آشیانی , برآوردگر شبه درستنمایی ماکسیمم, مدل های رقیب, Candidate Model, Kullback-Leibler risk, Model selection, Non-nested Models, Quasi Maximum Likelihood Estimator 149 165 http://jss.irstat.ir/browse.php?a_code=A-10-34-4&slc_lang=fa&sid=1 Ghobad Barmalzan قباد برمال زن 10031947532846006955 10031947532846006955 No Department of Statistics, University of Zabol University دانشگاه زابل Abdolreza Sayyareh عبدالرضا سیاره asayyareh@razi.ac.ir 10031947532846006956 10031947532846006956 Yes Department of Statistics, Razi University دانشگاه رازی