fa استفاده از رگرسیون آمیخته چندکی برای تحلیل هزینه و درآمد خانوارهای ایرانی تخصصي Special كاربردي Applicable <span style="font-family:tahoma;"><span dir="RTL"><span style="font-size:11.0pt;">استقلال مولفه&shy;های خطا یکی از فرض‌های اساسی </span></span><span dir="RTL"><span style="font-size:11.0pt;">در </span></span><span dir="RTL"><span style="font-size:11.0pt;">مدل‌های رگرسیونی خطی مبتنی بر تغییرات میانگین متغیر پاسخ است که در صورت برقرار نبودن آن می‌توان از مدل‌های رگرسیون آمیخته خطی استفاده کرد.</span></span><span style="font-size:11.0pt;"> <span dir="RTL">اما به ‌کارگیری این مدل‌ها نیز مستلزم عدم وجود داده‌های دورافتاده است که در صورت نقص آن&shy;ها، مدل‌های رگرسیون آمیخته چندکی خطی با فرض توزیع لاپلاس نامتقارن برای خطاها جایگزین مناسبی خواهند بود. در این مقاله، ابتدا از طریق آزمایش شبیه‌سازی عملکرد روش‌های موجود برآوردیابی فراوانی‌گرا در اینگونه مدل&shy;ها مورد ارزیابی قرار گرفت. مشاهد شد که روش ترکیب شده از تقریب مربع‌بندی گاوس و الگوریتم بهینه‌سازی ناهموار برآوردهای دقیق‌تری نسبت به روش تقریبی الگوریتم تقریب تصادفی ماکسیمم‌سازی امید ریاضی ارایه می‌دهد. سپس، با توجه به همبسته بودن هزینه خانوارها و همچنین مشاهدات غیرمعمول درون هر یک از استان‌ها، مدل مورد اشاره برای تحلیل داده‌های هزینه و درآمد خانوارهای ایرانی در سال</span>&lrm;<span dir="RTL"> ۱۳۹۰ به کار گرفته &shy;شد. بنا به نتایج حاصل از برازش مدل انتظار می&shy;رود خانوارهایی که درآمد بیشتری دارند، دارای هزینه ناخالص بالاتری باشند. از طرفی سطح زیربنای محل سکونت، بُعد خانوار، جمعیت استان، خانوارهای دارای سرپرست شاغل و نحوه تصرف محل سکونت خانوارها به ‌صورت اجاره‌ای تأثیر کمتری در هزینه ناخالص خانوارها دارند. به‌علاوه، با افزایش سن سرپرست خانوار و وجود تعداد افراد شاغل بیشتر در خانوارها، هزینه ناخالص خانوار کاهش می&shy;یابد.</span></span></span> One of the essential assumptions while working with the linear regression models based on the variation of the mean of response variables is independency among error components. To fail this assumption guide researchers to utilize linear mixed effect models. But, to use the latter models is dependent on absence of outliers, one can employ the linear mixed quantile models where error component follows asymmetric Laplace distribution. In this paper, the performance of the available frequentist estimation methods in these models was first evaluated through simulation studies. It is seen that the combined methods approximated quadrature Gauss and unsmooth optimization algorithm leads to more accurate estimators in compare with the stochastic approximation of expectation maximization algorithm. Then, due to dependency between the expenditure as well as having outliers among households in the provinces, the model has been used to analyze the Iranian households&rsquo; income and expenditure data in urban area which is collected at 2010. Regarding the results gained, it is expected that households with more income tend to pay more on their costs. On the other hand, the area of housing unit, the population of the province, number of employed members of household and dewelling occupation have less effect on the gross cost of households. In addition, employement statue of the older head of household leads to a reduction in the gross cost. توزیع لاپلاس نامتقارن, مدل‌های رگرسیون آمیخته چندکی خطی, روش تقریب مربع‌بندی گاوس, الگوریتم ماکسیمم‌سازی امید ریاضی, داده‌های هزینه و درآمد Asymmetric Laplace distribution, Linear quantile mixed regression models, Gaussian quadrature approximations method, expectation maximization algorithm, income and expenditure data. 185 205 http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-37-18&slc_lang=fa&sid=1 Enayat Barani عنایت بارانی enayat.barani@gmail.com 1003194753284600758 1003194753284600758 No Tarbiat Modares University Mousa Golalizadeh موسی گل‌علیزاده golalizadeh@modares.ac.ir 1003194753284600759 1003194753284600759 Yes Tarbiat Modares University