fa برآورد بیزی تابع تاوان در آزمون همگنی مدل‌های آمیخته استنباط آماری Statistical Inference پژوهشی بنیادی Research <p style="text-align: justify;">برای آزمون فرضیه همگنی مدل&shy;های آمیخته، معمولا از آزمون نسبت درستنمایی اصلاح شده که مبتنی بر افزودن یک تابع تاوان مناسب به تابع لگ درستنمایی می&shy;باشد، استفاده می&shy;شود. کارایی این آزمون به شدت تحت تاثیر شکل تابع تاوان انتخابی است. انتخاب تابع تاوان در این نوع آزمون معمولا براساس پرهیز از پیچیدگی و میسر بودن برآورد پارامترها صورت می&shy;پذیرد، که لزوما نتایج مطلوبی به دنبال ندارد. در این مقاله یک تابع تاوان جامع در نظر گرفته شده است، که دارای یک پارامتر تعیین کننده شکل است. سپس پارامتر تعیین کننده شکل این تابع با استفاده از رهیافت بیزی، به صورت پسینی برآورد شده&shy; اند. نشان داده شده است که رهیافت بیزی پیشنهادی در برآورد پارامترهای مدل، در مقایسه با رهیافت بسامدی، به مراتب کارایی مطلوب تری دارد. این کارایی خصوصا در شرایط شناخت ناپذیری توزیع آمیخته که روش&shy;های بسامدی کارایی اندکی دارند، بیشتر است.</p> <div style="text-align: justify;">The modified likelihood ratio test, which is based on penalized likelihood function, is usually used for testing homogeneity of the mixture models. The efficiency of this test is seriously affected by the shape of penalty function that is used in penalized likelihood function. The selection of penalty function is usually based on avoiding of complexity and increasing tractability, hence the results may be far from optimality. In this paper, we consider a more general form of penalty function that depends on a shape parameter. Then this shape parameter and the parameters of mixture models are estimated by using Bayesian paradigm. It is shown that the proposed Bayesian approach is more efficient in comparison to modified likelihood test. The proposed Bayesian approach is clearly more efficient, specially in nonidentifiability situation, where frequentist approaches are almost failed.</div> آزمون نسبت درستنمایی, تابع تاوان, الگوریتم EM, زنجیرهای مارکوف مونت کارلوئی Likelihood Ratio Test, Penalty Function, EM Algorithm, Monte Carlo Markov Chain. Hazard. 229 243 http://jss.irstat.ir/browse.php?a_code=A-10-30-1&slc_lang=fa&sid=1 Rahman Farnoosh رحمان فرنوش 10031947532846006612 10031947532846006612 Yes Iran University of Science and Technology, Tehran, Iran. گروه آمار، دانشگاه علم و صنعت ایران Afshin Fallah افشین فلاح 10031947532846006613 10031947532846006613 No Imam Khomeini International University, Gazvin, Iran. گروه آمار، دانشگاه بین المللی امام خمینی (ره) Arezoo Hajrajabi آرزو حاجی رجبی 10031947532846006614 10031947532846006614 No Iran University of Science and Technology, Tehran, Iran. گروه آمار، دانشگاه علم و صنعت ایران