{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QA549",
        "title": "مدل‌بندی پاسخ‌های وابسته با استفاده از مفصل گاوسی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QA549",
        "title": "مدل‌بندی پاسخ‌های وابسته با استفاده از مفصل گاوسی",
        "degree": null,
        "faculty": "علوم ریاضی",
        "year": 1396,
        "authors": [
            {
                "name": "خدیجه سلطانی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین باغیشنی",
                "role": "استاد راهنما"
            },
            {
                "name": "محمد آرشی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "آزمون مشخص‌سازی هاسمن",
            "استنباط مبتنی بر درستنمایی",
            "تابع مفصل",
            "داده‌های طولی",
            "داده‌های فضایی",
            "رگرسیون حاشیه‌ای",
            "سری زمانی",
            "مفصل گاوسی"
        ],
        "abstract": "مدل‌های رگرسیونی از جمله ابزار پرکاربرد در علوم مختلف از جمله پزشکی، علوم طبیعی، علوم اجتماعی، اقتصاد، و محیط‌شناسی است. در مواردی که متغیر پاسخ غیرنرمال باشد، معمولا به‌جای مدل‌های خطی از مدل‌های خطی تعمیم‌یافته استفاده می‌شود. اما پذیره اساسی در این مدل‌ها استقلال بین مشاهدات است. در موارد متعددی با پاسخ‌هایی مواجه می‌شویم که نوعی ساختار وابستگی بر آن‌ها حاکم است. به عنوان چند نمونه می‌توان به داده‌های طولی، سری زمانی و داده‌های فضایی اشاره کرد.\r\nدر این موارد باید وابستگی پاسخ‌ها را به شکلی به مدل وارد کرد. برای این کار رهیافت‌های مختلفی معرفی شده اند. رهیافت معمول استفاده از مدل‌های آمیخته خطی تعمیم‌یافته است. استنباط در این رده از مدل‌ها (در هر دو دیدگاه کلاسیک و بیزی) با مشکلات محاسباتی جدی روبرو است. یک راهکار جانشین جدید برای لحاظ کردن وابستگی پاسخ‌ها، استفاده از مدل‌های رگرسیون حاشیه‌ای مبتنی بر تابع مفصل است\r\nدر این پایان‌نامه، ابتدا مدل رگرسیون حاشیه‌ای مفصل گاوسی را معرفی می‌کنیم. سپس استنباط آماری مدل و معیارهای برازش را معرفی و با استفاده از آزمون مشخص‌سازی هاسمن درستی انتخاب مدل را بررسی می‌کنیم. رهیافت استنباط مورد نظر ما مبتنی بر تابع درستنمایی است. در ادامه به ارزیابی مدل با مثال‌های شبیه‌سازی و واقعی می‌پردازیم.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_QA549.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}