<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه پیام نور</PublisherName>
				<JournalTitle>دوفصلنامه گستره‌ علوم آماری</JournalTitle>
				<Issn>2476-3632</Issn>
				<Volume>1</Volume>
				<Issue>1 (پاییز و زمستان 1394)</Issue>
				<PubDate PubStatus="epublish">
					<Year>2015</Year>
					<Month>10</Month>
					<Day>12</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Robust Generalized Estimating Equations Method and its Application in Correlated Binary Outcomes Models</ArticleTitle>
<VernacularTitle>روش معادلات برآوردگر تعمیم‌یافته استوار و کاربرد آن در مدل‌هایی با برآمدهای دودویی همبسته</VernacularTitle>
			<FirstPage>49</FirstPage>
			<LastPage>59</LastPage>
			<ELocationID EIdType="pii">1951</ELocationID>
			
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>مسعود</FirstName>
					<LastName>یارمحمدی</LastName>
<Affiliation>دانشیار، گروه آمار دانشگاه پیام نور</Affiliation>

</Author>
<Author>
					<FirstName>سعید</FirstName>
					<LastName>معدنی</LastName>
<Affiliation>دانشجوی دکترا، آمار دانشگاه پیام نور</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2015</Year>
					<Month>10</Month>
					<Day>12</Day>
				</PubDate>
			</History>
		<Abstract>The generalized estimating equations method of Liang and Zeger (1986) facilitates analysis of data collected in longitudinal, nested, or repeated measures designs. GEEs use the generalized linear model to estimate more efficient and unbiased regression parameters relative to ordinary least squares regression when there is unkown correlation among the observations. This method can be highly influenced by the presence of outliers and looze its efficiency. To reduce the effects of these data a robustified generalized estimating equations for Schweppe and Mallos classes are introduced. Then we will compare these procedures with the unrobused GEE by simulation studies for correlated binary outcomes models. </Abstract>
			<OtherAbstract Language="FA">روش معادلات برآوردگر تعمیم‌یافته توسط لیانگ و زیگر (1986) به عنوان روشی برای تسهیل در تحلیل داده‌های جمع‌آوری شده به صورت طولی، آشیانه‌ای و اندازه‌های مکرر معرفی شد. این روش از مدل خطی تعمیم‌یافته برای برآوردهایی کارا و نااریب پارامترهای رگرسیونی نسبت به برآورد ضرایب رگرسیونی در مدل‌های خطی تعمیم‌یافته، هنگامی‌که همبستگی نامشخصی در میان مشاهدات موجود باشد، استفاده می‌کند. این روش در رابطه با داده‌‌های دورافتاده متاثر شده و کارایی خود را از دست می‌دهد. لذا به منظور کاهش اثرات این دسته از مشاهدات، روش‌های استوارسازی معادلات برآوردگر تعمیم‌یافته را برای دو کلاس شوئیپ و مالوس معرفی کرده و سپس آنها را با استفاده از روش‌های شبیه‌سازی برای مدل‌هایی با برآمدهای دودویی همبسته مورد بحث و بررسی قرار می‌دهیم.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">معادلات برآوردگر تعمیم‌یافته</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">معادلات برآوردگر تعمیم‌یافته استوار</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">کلاس شوئیپ</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">کلاس مالوس</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://stat.journals.pnu.ac.ir/article_1951_022227ece6ead10bcaac7db22f1b1e86.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
