---

توزیع کاماراسوامی یک توزیع دو پارامتری روی بازه (0,1) است که بسیار شبیه به توزیع بتاست. این توزیع اغلب مدلی مناسب برای متغیرهای تصادفی هستند که بین دو کران متناهی یعنی یک کران بالا و یک کران پایین تغییر می‌کنند،‌‌ مانند نسبت افرادی از جامعه که در یک‌فاصله‌ی زمانی معین فرآورده‌ی خاصی را مصرف می‌کنند. در این مقاله، ضمن معرفی خانواده توزیع‌های G-کاماراسوامی رفتار توابع قابلیت اعتماد مانند توابع نرخ خطر، نرخ خطر معکوس، میانگین باقی‌مانده عمر و گذشته‌ی عمر در آن‌ها را موردمطالعه قرار می‌دهیم. همچنین ترتیب‌های تصادفی را در خانواده توزیع‌های G-کاماراسوامی بررسی می‌کنیم. درنهایت در قالب یک مثال کاربردی، قابلیت برازش توزیع کاماراسوامی را در داده‌های واقعی مورد تجزیه و تحلیل قرار می‌دهیم.

---

 متأسفانه در چند سال اخیر، کاهش سطح انگیزه‌ی تحصیلی بین دانشجویان در مقاطع مختلف تحصیلی رشد فزاینده‌ای داشته و گریبان گیر بسیاری از واحدهای آموزشی دانشگاه‌های کشور شده و این می‌تواند اثرات مخرب و غیرقابل‌جبران در آینده‌ی نه‌چندان دوری داشته باشد. در این پژوهش، با استفاده از تحلیل آماری از تعدادی پرسشنامه به بررسی عوامل اجتماعی روی بی‌انگیزگی دانشجویان دانشگاه خلیج‌فارس بوشهر پرداخته و ارتباط هر کدام از متغیرها مانند وضعیت شغلی، مقدار درآمد تحصیل‌کرده‌ها، جنسیت، وضعیت تأهل، میزان درآمد خانواده، مطالب ارائه‌شده در کتاب‌های درسی، امکانات آموزشی دانشگاه و شرایط آب و هوایی با بی‌انگیزگی تحصیلی دانشجویان موردبررسی قرارگرفته‌شده است. از روش نمونه‌گیری خوشه‌ای دومرحله‌ای نابرابر برای جمع‌آوری داده‌های نمونه و اطلاعات موردنیاز، استفاده‌شده و روش تحلیل عاملی چندمتغیره جهت بررسی همبستگی درونی متغیرها و نیز یافتن عامل‌های اصلی با پیش‌بینی مقدار واریانس متغیرها توسط عامل‌ها، به کار گرفته‌شده است. همچنین به بررسی تأثیر متغیرها روی انگیزه‌ی تحصیلی دانشجویان پرداخته‌شده است.

---

در تجزیه و تحلیل متغیرهای برنولی، بررسی وابستگی بین آن‌ها از اهمیت زیادی برخوردار است. در این مقاله با اعمال وابستگی مرتبه اول بین متغیرهای برنولی، توزیع سری لگاریتمی مارکف معرفی می‌شود. برای برآورد پارامترهای این توزیع از روش‌های ماکسیمم درستنمایی، گشتاوری، بیزی و همچنین روش جدیدی موسوم به روش بیزی مورد انتظار (E- بیزی) استفاده می‌شود. در ادامه با استفاده از یک مطالعه شبیه‌سازی نشان داده‌شده که برآوردگر بیزی مورد انتظار در مقایسه با برآوردگرهای دیگر بهتر عمل می‌کند.

---

گاهی در عمل داده‌ها به صورت تابعی از یک متغیر دیگر هستند که به این نوع داده‌ها، داده‌های تابعی گفته می‌شود. اگر متغیر پاسخ اسکالر و به صورت رسته‌ای یا گسسته باشد و متغیرهای کمکی به صورت تابعی، آنگاه برای تحلیل این نوع داده‌ها از مدل خطی تابعی تعمیم‌یافته استفاده می‌شود.

در این مقاله یک مدل بریده‌شده خطی تابعی تعمیم‌یافته بررسی و برای به دست آوردن برآورد پارامترهای مدل از یک رهیافت ماکسیمم درستنمایی استفاده می‌شود. درنهایت در یک مطالعه شبیه‌سازی و دو مثال کاربردی مدل و روش‌های ارائه‌شده پیاده‌سازی می‌شوند.

---

تحلیل پاسخ‌های آمیخته‌ی گسسته از موضوعات مهم آماری در شاخه‌های مختلف علوم به شمار می‌آید. از جمله متغیرهای گسسته می‌توان به متغیرهای ترتیبی و متغیرهای دوجمله‌ای بیش پراکنده اشاره کرد. داده‌ی دوجمله‌ای بیش‌پراکنده مجموع آزمایش‌های برنولی ناهمبسته با احتمال موفقیت برابر است. در این مقاله مدل توأم با اثرهای تصادفی برای تحلیل پاسخ‌های آمیخته‌ی دوجمله‌ای بیش‌پراکنده و ترتیبی تحت مطالعه‌ی طولی معرفی می‌گردد. در این مدل فرض می‌شود متغیر پاسخ دوجمله‌ای بیش‌پراکنده از توزیع بتا - دوجمله‌ای پیروی می‌کند و از رویکرد متغیر پنهان برای مدل‌بندی متغیر پاسخ ترتیبی استفاده می‌شود. همچنین پارامترهای مدل با روش ماکسیمم درستنمایی برآورد و با استفاده از روش شبیه‌سازی مونت‌کارلویی برآورد پارامترها ارزیابی می‌شود. در نهایت، کاربست مدل معرفی‌شده در داده واقعی بررسی می‌شود.

---

آزمون طول عمر، اغلب به مدت زمان زیادی جهت انجام آزمایش نیازمند است؛ ازاین‌رو مهندسان و آمارشناسان به دنبال کاهش زمان اجرای این آزمون‌ها هستند. یک راه برای کوتاه شدن زمان شکست، افزایش سطح تنش، در واحدهای آزمودنی می‌باشد؛ که در این صورت واحدها زودتر از زمانی که تحت شرایط طبیعی قرار می‌گیرند، با شکست مواجه می‌شوند. این روش، آزمون عمر شتابیده نامیده می‌شود. یکی از انواع متداول این آزمون‌ها، آزمون عمر شتابیده تنش گام به گام است. در این روش تنش اعمال‌شده به واحدهای تحت آزمون، به‌طور گام به گام و در زمان‌های از پیش تعیین‌شده افزایش می‌یابد. مهم‌ترین گام در مواجه با آزمون تنش گام به گام، بهینه کردن طرح این آزمون می‌باشد. منظور از بهینه کردن طرح آزمون، انتخاب بهترین زمان برای افزاش سطح تنش است. در این مقاله، ابتدا مراحل انجام آزمون تنش گام به گام، توضیح داده می‌شود. سپس این آزمون، برای توزیع نمایی به‌کاربرده می‌شود. ازآنجاکه داده‌های طول عمر، اغلب به‌طور کامل مشاهده نمی‌شوند؛ این مدل را برای داده‌های سانسور شده نوع اول به کار می‌بریم و با به حداقل رساندن واریانس مجانبی برآورد قابلیت اطمینان در زمان $xi$ به بهینه‌سازی طرح آزمون، می‌پردازیم. نهایتاً، نتایج با استفاده از مطالعات شبیه‌سازی و داده واقعی، موردبررسی قرار می‌گیرند. با توجه به آنالیز حساسیت، نتیجه می‌شود که طرح بهینه این آزمون پایدار می‌باشد.

---

سطح زیر منحنی راک یک معیار مرسوم برای ارزیابی عملکرد طبقه‌بندی بیومارکر‌ها است. در عمل یک بیومارکر قدرت طبقه‌بندی محدودی دارد لذا برای بهبود عملکرد طبقه‌بندی، علاقه‌مند به ترکیب مقادیر مربوط به بیومارکر‌ها به صورت خطی و غیرخطی هستیم در این مطالعه ضمن معرفی انواع توابع زیان، به معرفی روش Ramp AUC و برخی ویژگی‌های آن به عنوان یک مدل آماری مبتنی بر سطح زیر منحنی راک پرداخته می‌شود. این مدل جهت ترکیب بیومارکرها به شکل خطی یا غیرخطی باهدف بهبود عملکرد طبقه‌بندی و مینیمم کردن تابع زیان تجربی بر اساس تابع زیان Ramp AUC ارائه‌شده است. به‌عنوان‌مثال کاربردی، در این مطالعه از داده‌های 378 بیمار دیابتی مراجعه‌کننده به مراکز دیابتی اردبیل و تبریز در سال 1394-1393 استفاده‌شده است. جهت طبقه‌بندی بیماران دیابتی از لحاظ وضعیت محدودیت عملکردی بر مبنای بیومارکر‌های جمعیت شناختی و بالینی از روش RAUC  استفاده گردید. اعتبارسنجی مدل به روش آموزش و آزمایش انجام شد. بر اساس نتایج گروه آزمایش، مقادیر سطح زیر منحنی به‌دست‌آمده برای مدل RAUC با ترکیبات خطی از بیومارکرها در قالب هسته خطی برابر 0.81  و با هسته تابع پایه شعاعی برابر 1.00 می‌باشد. نتایج بیانگر وجود یک الگوی غیرخطی قوی در داده‌ها می‌باشد به طوری که ترکیبات غیرخطی از بیومارکرها عملکرد طبقه‌بندی بالاتری نسبت به ترکیبات خطی را دارا می‌باشند.

---

دنباله‌ای از توابع (منحنی‌ها) که در طول زمان جمع‌آوری‌ می‌شوند را یک سری زمانی تابعی گویند. فراوانی چنین مشاهداتی تحلیل سری‌های زمانی تابعی را به یکی از شاخه‌های محبوب تحقیقاتی در علم آمار تبدیل کرده است. هدف اصلی از تحلیل سری زمانی تابعی، پیش‌بینی و توصیف کمی مکانیسم‌های تصادفی است که منجر به تولید توابع شده است. در این راستا نیاز است سری زمانی تابعی به مؤلفه‌های روند، دوره‌های زمانی و خطا تجزیه شود. اما قبل از تجزیه نیاز به شناسایی و تشخیص این‌گونه مؤلفه‌ها داریم. ازاین‌رو در این مقاله یک روش ناپارامتری برای بررسی و تشخیص وجود روند در یک سری زمانی تابعی با استفاده از توابع رکورد معرفی‌شده است. سپس با پیاده‌سازی و استفاده از این روش در یک سری زمانی تابعی نحوه کاربرد آن موردتحقیق قرارگرفته است. در پایان نیز کارایی این روش برای تشخیص روند در یک مجموعه از داده‌های واقعی نرخ باروری موردبررسی قرارگرفته است.

---

یکی از معمول‌‌ترین روش‌های سانسور، سانسور فزاینده نوع دو از راست است. در این روش از سانسور، $n$ واحد در آزمایش قرار می‌‌گیرند و در زمان از کارافتادگی هر واحد تعدادی از واحدهای باقیمانده به تصادف از آزمایش خارج می‌شوند. این کار ادامه می‌یابد تا به ازای یک مقدار از قبل تعیین‌شده مانند $m$، زمان‌های از کارافتادگی $m$ واحد ثبت شوند و سپس آزمایش خاتمه می‌یابد. مسئله تعیین طرح بهینه سانسور در مدل سانسور فزاینده نوع دو، مسئله‌ای است که تاکنون بر اساس معیارهای متفاوتی موردمطالعه قرارگرفته است. مسئله دیگر در مدل سانسور فزاینده نوع دو انتخاب اندازه نمونه در شروع آزمایش، یعنی $n$ است. در این مقاله با فرض توزیع پارتو برای داده‌های موردبررسی و معیار اطلاع فیشر، تعیین اندازه نمونه بهینه یعنی $n_{opt}$ و همچنین طرح بهینه سانسور موردمطالعه قرار می‌گیرند. در انتها، به منظور ارزیابی نتایج به‌دست‌آمده محاسبات عددی و مثال واقعی با کمک نرم‌افزار $R$ ارائه‌شده‌اند.

---

مدیریت شواهد مبنا و برنامه‌ریزی‌های توسعه‌ای متکی به آمارهای رسمی هستند. بعضی موانع وجود دارند که باعث می‌شوند نتوان آمارگیری تک‌مدی را انجام داد. این موانع عبارت‌اند از چارچوب نمونه‌گیری، زمان، بودجه و دقت اندازه‌گیری در هر مد. این عامل‌ها باعث می‌شوند که همیشه نتوان از آمارگیری تک‌مدی استفاده کرد. بنا بر این نیاز است که از روش دیگری برای گرداوری داده‌ها که بر این موانع فائق بیایند، استفاده کرد. این روش را روش آمارگیری آمیخته‌مد که ترکیبی از چند مد است می‌نامند. ما در این مقاله نشان می‌دهیم که آمارگیری‌های آمیخته‌مد می‌توانند دقت بیشتری در تولید آمارهای رسمی نسبت به آمارگیری‌های تک‌مدی داشته باشند. 

---

در تجزیه و تحلیل داده‌های بقای سانسورشده، مدل‌های رگرسیونی کاکس از اهمیت ویژه‌ای برخوردار هستند. با افزایش متغیرها در یک مدل، به منظور دست‌یابی به مدل‌های کاراتر، می‌توان از روش‌های تاوانیده  استفاده کرد.  در این مقاله،  به مروری بر مدل رگرسیون کاکس تاوانیده برای برخی از توابع تاوان معروف پرداخته شده است. هم‌چنین،  مجموعه داده‌های پزشکی mgus2 بررسی شده و نشان داده شده که مدل‌های تاوانیده بهتر از رگرسیون کاکس به این داده‌ها برازش می‌شود که تاوان لاسو، بهترین عملکرد را برای این داده‌ها دارد. 
 

---

هنگامی که داده ها از یک الگوی خطی ثابت تبعیت نکنند و به شکل پویایی بر حسب زمان یا مکان الگوهای متنوعی داشته باشند، مدل های با ضرایب متغیر به عنوان مهم ترین ابزار برای کشف الگوهای پویا در آنها مطرح می شوند. این مدل ها تعمیم طبیعی مدل های کلاسیک پارامتری هستند که با تفسیر پذیری خوب، محبوبیت زیادی در تجزیه و تحلیل داده ها به دست آورده اند. انعطاف پذیری و تفسیر پذیری بالای این مدل ها سبب کاربرد زیاد آنها در داده های واقعی شده است.

در این مقاله ضمن مرور مختصری بر مدل های با ضرایب متغیر به روش برآورد پارامتر با استفاده از تابع هسته و اسپلاین مکعبی پرداخته و فاصله اطمینان و آزمون فرض برای توابع پارامترها به دست می آوریم. در نهایت با استفاده از داده های واقعی نرخ تورم ایران در سالهای 1368 تا 1396، کاربرد و قابلیت های مدل با ضرایب متغیر را در تفسیر نتایج نشان می دهیم چالش اصلی عدم برازش مناسب مدل داده های پانلی و نیز مدل های با واریانس غیر ثابت سربهای زمانی مثل مدل های آرچ و گارچ و مشتقات آنها به این داده هاست که استفاده از مدل های با ضرایب متغیر را توجیه می نماید.

---

جمعیت های زیادی در آنالیز بقا اغلب با مشکل ناهمگنی مواجه هستند. افراد در نحوه برخورد با علت مرگ، واکنش به معالجه و تحت تأثیر
عوامل خطر قرار گرفتن، انعطاف پذیر هستند. نادیده گرفتن این ناهمگنی می تواند باعث به دست آمدن نتایج نادرست شود. برای برطرف کردن
این مشکلات، مدل بی ثبات نرخ خطر متناسب را معرفی می کنیم. در این مقاله، ضمن معرفی مدل بی ثبات نرخ خطر متناسب، ویژگی های آن
را مورد مطالعه قرار می دهیم. برازش مدل بی ثبات به داده های سانسور شده از راست در حضور متغیرهای توضیحی (متغیرهای قابل مشاهده)
بررسی می کنیم و در قالب مثال کاربردی برای برازش مدل بی ثبات به داده ها با در نظر گرفتن توزیع پایه وایبل و نمایی در توابع درستنمایی، از
آنها برای برآورد پارامترهای مدل استفاده می شود و با معیارهای مختلف به مقایسه مناسبت مدل ها می پردازیم.

---

در این مقاله با در نظر گرفتن داده های تحت سانسور بازه ای که دارای توزیع نمایی با نرخ خطر θ هستند، روشی برای برآورد فاصله ای توابعی از θ ارائه می شود. همچنین زمان نظارت بهینه و مطالعات شبیه سازی مورد بررسی قرار گرفته و به کاربردی از مباحث نیز اشاره می گردد.

---

داده‌های شمارشی فضایی در اغلب علوم مانند علوم محیطی، هواشناسی، زمین‌شناسی و پزشکی مشاهده می‌شود. برای تحلیل داده‌های رسته‌ای شمارشی که همبستگی مکانی در آن‌ها مشاهده می‌شود اغلب از مدل‌های خطی تعمیم‌یافته فضایی براساس توزیع‌های پواسونی  (مدل فضایی پواسون-لگ‌نرمال) و دوجمله‌ای (مدل فضایی دوجمله‌ای-لوجیت نرمال) استفاده می‌شود. تابع درست‌نمایی این نوع مدل‌ها دارای پیچیدگی‌های تئوری و محاسباتی است. رهیافت بیزی به‌واسطه الگوریتم‌های مونت کارلویی زنجیر مارکوف یک راه‌حل برای برازش این مدل‌ها می‌تواند باشد، هرچند مشکلاتی از لحاظ نرخ پایین پذیرش نمونه‌ها و طولانی شدن زمان اجرای الگوریتم‌ها معمولا وجود دارد. یک راه‌کار مناسب استفاده از الگوریتم مونت کارلویی همیلتونی  (هیبریدی) در رهیافت بیزی است. در این مقاله، روش جدید مونت کارلوی همیلتونی برای تحلیل بیزی مدل‌های شمارشی فضایی  روی داده‌های آلودگی هوای شهر تهران مورد مطالعه قرار می‌گیرد. همچنین دو الگوریتم مونت کارلویی معمول زنجیر مارکوفی (گیبز و متروپولیس- هستینگس)  و لانجوین-هستینگس برای رهیافت بیزی کامل مدل‌ها روی داده‌ها به‌کار گرفته می‌شوند.  در نهایت با ملاک‌های تشخیصی، رهیافت مناسب برای تحلیل داده‌ها و پیشگویی در همه نقاط شهر معرفی می‌شود.

---

در مدل‌های آمیخته خطی تعمیم‌یافته فضایی، همبستگی فضایی با اضافه کردن متغیرهای پنهان به مدل در نظر گرفته می‌شود. در این مدل‌ها چون متغیر پاسخ فضایی غیر گاوسی است و به دلیل وجود متغیرهای پنهان تابع درستنمایی معمولا شکل بسته‌ای ندارد و لذا رهیافت ماکسیمم درستنمایی برای برآورد پارامترها با چالش مواجه است. هدف اصلی این مقاله معرفی دو الگوریتم جدید برای به دست آوردن برآوردهای ماکسیمم درستنمایی پارامترها و مقایسه با الگوریتم‌های موجود از نظر سرعت و دقت است. الگوریتم‌های معرفی شده برروی یک مجموعه داده شبیه‌سازی شده به‌کار گرفته و عملکرد آن‌هامقایسه می‌شود.

---

ارزیابی کلاس جزئی اصلی از فرایند آموزش و یادگیری می‏باشد. هدف پژوهش حاضر، بررسی روایی عاملی و پایایی " پرسش‏نامه  ادراک دانشجویان از سنجش و ارزیابی  فعالیت‏ها" یوجی  می‏باشد. در این راستا پرسش‏نامه ادراک دانشجویان از سنجش و ارزیابی فعالیت‏ها روی 400 دانشجو که با روش نمونه‏گیری خوشه‏ای از بین دانشجویان دانشگاه مازندران انتخاب شده بودند، اجرا شد. برای بررسی پایایی پرسش‏نامه  از ضریب آلفای کرانباخ و برای تعیین روایی عاملی از تحلیل عاملی تأییدی استفاده شد. نتایج پژوهش حاضر نشان داد که این پرسش‏نامه  از همسانی درونی قابل قبولی برخوردار است و ضریب آلفای کرانباخ در خرده‏آزمون‏های آن بین 71/0 تا 78/0 بوده است. همچنین نتایج تحلیل عاملی تأییدی مؤید آن است که ساختار پرسش‏نامه برازش قابل قبولی با داده‏ها دارد و کلیه شاخص‏های نیکویی برازش، مدل را تأیید می‏کنند. بنابراین، پرسش‏نامه می‏تواند ابزار مناسبی برای ارزیابی ‏ ادراک دانشجویان از سنجش و ارزیابی فعالیت‏ها و تکالیف باشد.

---

با پیشرفت علم، دانش و تکنولوژی، روش های جدید و جامع برای اندازه گیری، جمع آوری و ثبت اطلاعات ابداع شده اند، که منجر به ظهور و
توسعه داده های بعد بالا شده اند. مجموعه داده های بعد بالا، یعنی مجموعه داده هایی که در آن تعداد متغیرهای توضیحی بسیار بزرگتر از تعداد
مشاهدات است، به سادگی و با روش های سنتی و کلاسیک، مانند روش کمترین توان های دوم معمولی، نمی توانند تحلیل شوند و تفسیرپذیری آن
امری بسیار پیچیده خواهد بود. اگرچه در صورتیکه فرضیات اساسی برقرار باشند، برآورد کمترین توان های دوم معمولی بهترین روش برآورد در
تحلیل رگرسیونی است ولی برای داده های بعد بالا قابل استفاده نبوده و در این شرایط مستلزم به کارگیری روش هایی نوینی هستیم. در این مقاله در
ابتدا، به مشکلات روش های کلاسیک در تحلیل داده های بعد بالا اشاره می شود و سپس، به معرفی و توضیح روش های تحلیل رگرسیونی متداول
و امروزی مانند روش های تحلیل مولفه اصلی و تاوانیده برای داده های بعد بالا پرداخته می شود. در انتها یک مطالعه شبیه سازی برای بررسی و
مقایسه روش های اشاره شده در داده های بعد بالا انجام می گردد.

---

بی‌پاسخی در آمارگیری‌ها منبعی برای بروز خطا در نتایج آمارگیری است و سازمان‌های ملی آماری همواره به دنبال راهکارهایی برای کنترل و کاهش آن هستند. پیش‌بینی واحدهای نمونه‌گیری بی‌پاسخ در آمارگیری قبل از اجرای آمارگیری از جمله راهکارهایی است که می‌تواند کمک زیادی به کاهش و مرتفع نمودن مشکل بی‌پاسخی آمارگیری داشته باشد. با توسعه‌های اخیر فناوری و تسهیل در محاسبات پیچیده امکان به کارگیری روش‌های یادگیری آماری، مانند درخت‌های رگرسیون و رده‌بندی یا ماشین بردار پشتیبان در بسیاری از مسائل از جمله پیش‌بینی بی‌پاسخی واحدهای نمونه‌گیری در آمارگیری‌ها فراهم شده است. در این مقاله ضمن مرور کلی روش‌های فوق، واحدهای نمونه‌گیری بی‌پاسخ در یک آمارگیری کارگاهی با استفاده از آن‌ها پیش‌بینی شده و نشان داده می‌شود ترکیب روش‌های فوق دارای دقت بیشتری در پیش‌بینی درست بی‌پاسخی نسبت به هر کدام از روش‌های تکی است.

---

نظریه‌های اقتصادی با استفاده از مجموعه‌ای از اصول موضوعه، عبارات تعریف شده و قضایا در پی تبیین علمی یا پیش‌بینی پدیده‌های اقتصادی می‌باشند. مدل‌های اقتصادی تصریحی ریاضی‌وار از این نظریه‌ها می‌باشند. به علت مجهول بودن ساختار هر مدل، وجود خطای اندازه‌گیری در کمیت‌های اقتصادی و عدم برقراری فرض ثبات سایر شرایط؛ وجه تالیفی هر نظریه اقتصادی نیازمند مدل‌سازی از نوع احتمالی و آماری است. بنابراین، درک شیوه رایج مدل‌سازی و اهمیت استفاده مناسب از آن در اقتصاد، اقتصاددانان را به شناخت دقیق مدل‌سازی آماری نیازمند می‌کند. پژوهش حاضر درصدد اصلاح این بینش است که هرچند هدف از ارائه مدل‌های آماری آزمایش تجربی ادعاهای نظریه‌هاست اما روش‌های آماری نقش پسینی و دست دوم در مقابل نظریه‌های اقتصادی را ندارند بلکه شیوه مناسب مدل‌سازی اقتصادی وابسته به استفاده صحیح از روش‌های آماری و الگوهای احتمالی در مرحله وضع نظریه است.