---

در تحلیل داده‌های طولی با پاسخ شمارشی معمولاً از مدل اثرهای تصادفی پواسون یا دوجمله ای منفی با فرض توزیعی نرمال برای آنها استفاده می‌شود. ممکن است در برخی از کاربردها، توزیع اثرهای تصادفی نرمال نباشد. این در حالی است که بدمشخص‌سازی توزیع اثرهای تصادفی ممکن است باعث کاهش کارایی برآوردگرهای موجود شود. در این مقاله از توزیع لگ‌گامای تعمیم‌یافته که توزیع نرمال را به عنوان یک حالت خاص در بردارد، به عنوان فرض توزیعی اثرهای تصادفی استفاده شده است. از آنجا که تحلیل فراوانی‌گرای مدل با محاسبات پیچیده مواجه است، تحلیل بیزی این مدل معرفی و برای تحلیل چندین مجموعه‌ی داده‌های واقعی استفاده می‌شود. همچنین در یک مطالعه‌ی شبیه‌سازی عملکرد مدل‌ پیشنهادی مورد ارزیابی قرار گرفته است.

---

روش یادگیری آمیخته تقویت شده ‎(BML)، روشی فزاینده برای یادگیری مدل‌های آمیخته در مسئله طبقه‌بندی است. در هر مرحله از روش یادگیری آمیخته تقویت شده، مولفه جدیدی با توجه به یک تابع هدف در جهت به حداکثر رساندن تابع هدف به مدل آمیخته اضافه می‌شود. از جمله توابع هدف مورد استفاده در این روش، تابع درستنمایی و به‌طور معادل معیارهای اطلاع هستند. در این روش مولفه جدیدی به مدل آمیخته اضافه می‌شود که باعث بیشترین افزایش تابع درستنمایی شود.

چون تابع درستنمایی و معیارهای اطلاع توانایی تشخیص مدل‌های معادل را ندارد، بنابراین ممکن است مدل‌ آمیخته جدید و مدل آمیخته فعلی معادل باشند و اضافه کردن مولفه جدید به مدل آمیخته فعلی باعث بهبود مدل نشود. در این مقاله روش یادگیری آمیخته تقویت شده با استفاده از آزمون انتخاب مدل وونگ که توانایی تشخیص مدل‌های معادل را دارد، تصحیح شده است. همچنین عملکرد دو روش یادگیری با استفاده از داده‌های شبیه‌سازی و مجموعه داده‌های واردات کالای ایالات متحده توسط گمرک ارزیابی شده است.