‎َAbstract: In this paper‎, ‎we are concerned with a robustifying high-dimensional (RHD) structured estimation in finite mixture of multinomial models(FMMM)‎. ‎This method has been used in many applications that often involve outliers and data corruption‎. ‎Thus‎, ‎we introduce a class of the multinomial logistic mixture models(MLMM) for dependent variables having two or more discrete categorical levels‎. ‎Through the optimization with the expectation maximization (EM) algorithm‎, ‎we study two distinct ways to overcome sparsity in FMMM; i.e.‎, ‎in the parameter space‎, ‎or in the output space‎. ‎It is shown that the new method is consistent for RHD structured estimation‎. ‎Finally‎, ‎we will implement the proposed method on real data‎.

چکیده: فناوری مالی ، که معمولا به اختصار فین-تک (Fintech ) نامیده می شود، یکی از حوزه های با رشد سریع در نوآوری و فناوری بوده که مورد علاقه سرمایه گذاران خطرپذیر و بانک ها می باشد. به طور کلی Fintech به مجموعه فناوری هایی اشاره دارد که بر روی روش های جدید ارائه خدمات بانکی و مالی به مصرف کنندگان تمرکز دارند. برای نمونه پی پال (PayPal) که یکی از امن ترین ابزارها برای پرداختهای آنلاین ارزی در اینترنت است هنگام استفاده از آن، شرکت تجارت الکترونیکی و همچنین بانک همه از Fintech برای انجام معامله استفاده می کنند، اما با گذشت زمان، Fintech تقریباً همه جنبه های خدمات مالی از جمله پرداخت ها، سرمایه گذاری ها، منابع مالی مصرف کننده، بیمه، تسویه اوراق بهادار و ارزهای رمزنگاری شده همه تحت تاثیر و دچار تغییرات قرار می گیرند و بایستی به روشهای پیچیده ریاضیات مالی و روشهای عددی تحلیل و تکامل یابند که این امر علاوه بر دانش ریاضیات مالی نیازمند تکنیکهای یادگیری ماشین، علم داده و مدلهای پیش بینی تصادفی می باشد. شرکتهای Fintech ی برای ساده سازی تصمیم گیری های مالی و ارائه راهکارهای برتر به شدت به مدلهای پیشرفته ریاضیات مالی، یادگیری ماشین، هوش مصنوعی، تجزیه و تحلیل داده های مالی، پیش بینی تصادفی و علم داده وابسته هستند. که در این پژوهش درنظر دارم جند نمونه از Fintech ها و چگونگی استفاده از علم داده در هرکدام را به اختصار بیان کنم.

Abstract mHealth has been identified as a health application and public medical which is to be paired with mobile devices (Chandler et al., 2019). Some literatures in this area concentrated on mHealth apps for health purposes. The potential benefits in precautionary health, containing healthcare and the challenges of using the apps (Bol, Helberger, & Weert, 2018; Furlong, Morris, Serry, & Erickson, 2018). Most statistical analyses of fitness apps interconnect other aspects (e.g. users’ perceptions, health behavior, trajectories of app use, quality assessment, app evaluation, and purpose of downloading the apps) that mostly include descriptive statistics (Bender et al., 2014; Chen, Cade, & Allman-Farinelli, 2015; Payne, Moxley, & MacDonald, 2015; Sama, Eapen, Weinfurt, Shah, & Schulman, 2014) and regression (Goh et al., 2015). Along with prior studies, a few types of research on mHealth apps with Structural Equation Modelling (SEM) technique have been explored (Hoque, Karim, & Amin, 2015; Lee, Han, & Jo, 2017; Mburu, 2017). This study is about some lessons of SEM in mHealth Studies. We introduce a new framework of fitness apps associated with obesity modeling by using SEM and examining data of postpartum women through moderation and mediation analysis. Fitness mHealth apps are considered the moderator in the research framework. Online questionnaires were sent to Malaysian postpartum women within one year after pregnancy and 468 completed questionnaires were returned. The frequency of mHealth fitness app use was categorized into four groups: daily, weekly, rarely and never. Therefore, four models were considered for the final analysis. This study will help data scientists to interpret their modeling with application of SEM.

در این مقاله کلاس جدیدی از مدل رگرسیون آمیخته را ارائه می دهیم، که در آن مد توزیع پاسخ به شرط متغیر توضیحی مدل بندی می شود. در این راستا یک روش تخمین مدال موضعی برای تابع رگرسیون در مدل رگرسیون ناپارامتری ارائه می دهیم. به منظور به دست آوردن بهترین متغیرهای کمکی تأثیر گذار بر متغیر پاسخ تحت شرایطی تابع تاوانیده در مدل پیشنهادی وجود دارد. برای برآورد پارامترهای کلی و توابع رگرسیون مدال، یک الگوریتم EM پیشنهاد می دهیم، در ادامه خواص مجانبی برآوردگرها را در قالب ٢ قضیه مطرح می کنیم.