fa انتخاب متغیر با رویکرد جدید در آمیزه‌ای متناهی از مدل‌های رگرسیونی نیم‌پارامتری با توزیع پواسون استنباط آماری Statistical Inference پژوهشی بنیادی Research <p dir="rtl" style="margin: 0px; text-align: justify;">در این مقاله به بحث انتخاب متغیر با رویکردی جدید در آمیزه‌ای متناهی از مدل‌های رگرسیونی نیم‌پارامتری پرداخته می‌شود، به گونه‌ای که داده‌ها از توزیع پواسون تبعیت می‌کنند. اما دو عامل بیش‌پراکندگی و صفرهای بیش از حد به دلیل استفاده از توزیع پواسون می‌تواند تاثیر زیادی بر انتخاب متغیر و براورد پارامترها داشته باشند. در واقع براورد پارامترها در بخش پارامتری مدل رگرسیونی نیم‌پارامتری با استفاده از رویکرد درستنمایی تاوانیده انجام می‌پذیرد و در بخش ناپارامتری پس از تقریب موضعی تابع ناپارامتری با استفاده از بسط تیلور، محاسبات در حضور براورد ضرایب پارامتری انجام می‌گیرد. استفاده از رویکرد جدید در این مقاله باعث شده است تا موانع در انتخاب درست متغیرها برطرف گردد. در این مقاله علاوه بر ارائه تئوری‌های مربوطه، در بخش شبیه‌سازی داده‌ها نیز دو موضوع بیش پراکندگی و صفرهای بیش از حد مورد توجه قرار می‌گیرد و استفاده از روش EM در براورد پارامترها منجر به افزایش دقت در نتیجه شده است.&nbsp;</p> In this paper the issue of variable selection with new approach in finite mixture of semi-parametric regression models is studying, although it is supposed that data have Poisson distribution. When we use Poisson distribution, two problems such as overdispersion and excess zeros will happen that can affect on variable selection and parameter estimation. Actually parameter estimation in parametric component of the semi-parametric regression model is done by penalized likelihood approach. However, in nonparametric component after local approximation using Teylor series, the estimation of nonparametric coefficients along with estimated parametric coefficients will be calculated. Using new approach leads to a properly variable selection results. In addition to representing related theories, overdispersion and excess zeros are considered in data simulation section and using EM algorithm in parameter estimation leads to increase the accuracy of end results. الگوریتم EM, بیش‌پراکندگی, صفرهای بیش از حد, رگرسیون نیم‌پارامتری, مدل آمیزه‌ای متناهی EM Algorithm, Overdispersion, Excess Zeros, Semi-Parametric Regression, Finite Mixture Model. 57 75 http://jss.irstat.ir/browse.php?a_code=A-10-769-1&slc_lang=fa&sid=1 Maliheh Heidari ملیحه حیدری m.heydari2009@gmail.com 10031947532846005159 10031947532846005159 No Department of Statistics, Allame Tabatabaie University, Tehran, Iran. گروه آمار، دانشگاه علامه طباطبایی Farzad Eskandari فرزاد اسکندری m.heydari2009@gmail.com 10031947532846005160 10031947532846005160 Yes Department of Statistics, Allame Tabatabaie University, Tehran, Iran. گروه آمار، دانشگاه علامه طباطبایی