fa توسعه یک مدل بیزی برای رگرسیون متناهی آمیخته توزیع چوله-لاپلاس استنباط آماری Statistical Inference پژوهشی بنیادی Research در اغلب مسائل کاربردی، مشاهدات دارای ساختاری چوله، کشیده، دم سنگین و چند مدی یا آمیخته هستند. لذا مدل‌های مبتنی‌بر توزیع نرمال نمی‌توانند در چنین شرایطی استنباط‌های صحیحی را ارائه دهند و باعث اریبی برآوردگرها یا بزرگی واریانس آنها می‌شوند. توزیع لاپلاس و تعمیم‌های آن به‌دلیل داشتن کشیدگی، سنگینی دم‌ها و چولگی می‌توانند جایگزین‌های مناسبی در چنین شرایطی باشند. از طرفی در مدل‌های مبتنی‌بر توزیع‌های آمیخته همیشه این احتمال وجود دارد که از یک یا چند مولفه نمونه‌های کمتری در دسترس باشد. لذا با توجه به مزیت رهیافت بیزی در مواجهه با نمونه‌های کم حجم، در این پژوهش یک مدل بیزی برای برازش رگرسیون آمیخته متناهی چوله-لاپلاس توسعه داده شده است و توسط یک مطالعه شبیه‌سازی و مثال کاربردی نتایج برازش مدل توسعه داده شده با رگرسیون آمیخته متناهی لاپلاس در دو  رهیافت بسامدی و بیزی مقایسه شده است. نتایج نشان می‌دهد که رهیافت بیزی مدل توسعه داده شده از کارایی بسیار موثری نسبت به سایر مدل‌های مشابه در هر دو رهیافت است.  In many applications, observations have a skewness, an elongated shape, a heavy tail, a multi-mode structure, or a mixed distribution. Therefore, models based on the normal distribution cannot provide correct inferences under such conditions and can lead to biased estimators or increased variance. The Laplace distribution and its generalizations can be suitable alternatives in such situations due to their elongation, heavy tails, and skewness. On the other hand, in models based on mixed distributions, there is always a possibility that fewer samples are available from one or more components. Therefore, given the Bayesian approach's advantage in handling small samples, this research developed a Bayesian model to fit a finite mixed regression model with skew-Laplace distributions and conducted a simulation study to assess its performance. Laplace has been compared in two approaches, frequentist and Bayesian. The results show that the Bayesian approach of the model is more effective than other  models. گرسیون آمیخته, الگوریتم متروپولیس-هاستینگز, توزیع لاپلاس, توزیع چوله-لاپلاس Skew-Laplace distribution, Mixture regresion, Metropolis-Hastings algorithm. 375 397 http://jss.irstat.ir/browse.php?a_code=A-10-122-7&slc_lang=fa&sid=1 Bahram Tarami بهرام طارمی tarami@shirazu.ac.ir 2297388489 10031947532846009064 No Shiraz Univ. دانشگاه شیراز Nahid Sanjari Farsipour ناهید سنجری فارسی پور nsanjari@alzahra.ac.ir 1753419891 10031947532846009065 Yes Alzahra Univ. دانشگاه الزهرا Hassan Khosravi حسن خسروی hasan_khosravi2010@yahoo.com 0081931018 0009-0002-0153-6782 No University of Imam Khomeini دانشگاه بین‌المللی امام خمینی قزوین