Bayesian modelling for asymmetric multi-modal circular data

Abstract

Bu tezde, asimetrik ve iki modlu veri analizi için, önem örneklemesine dayalı Bayesci bir yaklaşım önerdik. Karma sayısı bilinmeyen, çok modlu dairesel veriler için, Dirichlet süreç (DS) karma model yaklaşımını adapte ettik. Zamana bağlı olarak değişen dairesel veri analizi için, örneğin rüzgar yönü, DS karma model yaklaşımını, dairesel zaman serileri modeli ile birleştirdik. Bu yaklaşımlar, simulasyon ve gerçek veriler ile gösterildi. Sonuç olarak, önerdiğimiz yöntemler, çok modlu dairesel veri analizinde, iyi istatistiksel özelliklere sahip olduğu gösterilmiştir. Dirichlet süreci karma modeller için sayısal kodlar R ve OpenBUGS da yapıldı

In this thesis, we propose a Bayesian methodology based on sampling importance re-sampling for asymmetric and bimodal circular data analysis. We adopt Dirichlet process (DP) mixture model approach to analyse multi-modal circular data where the number of components is not known. For the analysis of temporal circular data,such as hourly measured wind directions, we join DP mixture model approach with circular times series modelling. The approaches are illustrated with both simulated and real-life data sets. Our Bayesian methodologies have been shown to have good statistical properties in multi-modal circular data analysis. Computational codes for DP mixture models are constructed in OpenBUGS and R.