---

---

در بسیاری از تحقیقات قبلی برازش مدل‌های رگرسیونی غیرخطی نرمال به منظور تحلیل داده‌ها با ساختار پخش متقارن به صورت توابع غیرخطی از پارامترهای مجهول به کار رفته است. اما در عمل ممکن است توزیع مانده‌ها نامتقارن بوده و انتخاب توزیع نرمال مناسب نباشد. یک خانواده از توزیع‌های آماری که اخیراً مورد توجه قرار گرفته است آمیخته-مقیاس چوله-نرمال است که توزیع‌های چوله و دم-سنگینی مانند چوله-تی و چوله-اسلش را به عنوان حالات خاصی در بر می‌گیرد. با توجه به‌آنکه استنباط آماری پارامترها توسط روش حداکثر درستنمایی حاشیه‌ای منجر به حل انتگرال‌های پیچیده با ابعاد بالا خواهد شد ما در این مقاله رهیافت شبیه‌سازی مونت کارلوی زنجیر مارکفی را برای استنباط بیزی پارامترهای مدل به کار می‌بریم. همچنین، مدل‌ غیرخطی را با توزیع‌های پیشنهادی بر مجموعه‌ای از داده‌های واقعی برازش می‌دهیم تا اهمیت مدل پیشنهادی را بیان کنیم.

---

مسئله تخمین حجم نمونه در کاربردهای پزشکی به خصوص در موارد آزمایشات گران‌قیمت نشانگرهای زیستی دارای اهمیت است. این مقاله به توصیف مسئله تحلیل رگرسیون لجستیک با الگوریتم های تخمین حجم نمونه که عبارتند از روش‌های آماری تک متغیری، رگرسیون لجستیک، تقاطع اعتبار و استنباط بیز می‌پردازد. نویسندگان با پارامترهای مدل رگرسیونی به عنوان متغیر چند متغیری با هدف تخمین حجم نمونه با استفاده از فاصله بین توابع توزیع پارامتر در مجموعه‌های داده تقاطع اعتبار رفتار می‌کنند. در اینجا نویسندگان کمکی جدید برای داده‌کاوی و آموزش آماری با حمایت ریاضیات کاربردی ارائه می‌دهند.

---

مدل‌های داده‌های پانلی پویا قسمت مهمی از مطالعات حوزه‌های پزشکی، اجتماعی و اقتصادی را شامل می‌شوند.

ویژگی بارز این مدل‌ها وجود متغیر وابستۀ تأخیری به‌عنوان متغیر توصیفی است. مشکل برآورد در این مدل‌ها از همبستگی بین متغیر وابستۀ تأخیری و مؤلفۀ‌ خطای فعلی ناشی می‌شود. اخیراً رگرسیون چندکی تاوانیده برای تحلیل داده‌های پانلی پویا مورد توجه قرار گرفته است. در این مقاله نخست مدل رگرسیون چندکی با ایجاد تاوان لاسو سازوار روی اثر‌های تصادفی برای داده‌های پانلی پویا با فرض وابستگی اثر‌های تصادفی و مشاهدات اولیه ارائه می‌شود. همچنین این مدل با فرض استقلال بین اثر‌های تصادفی و مشاهدات اولیه نیز بررسی خواهد شد. هر دو مدل از دیدگاه آمار بیزی بیان شده، مورد تحلیل قرار می‌گیرند. چون در این دو روش، توزیع‌ پسین پارامترها به شکل بسته قابل حصول نیست، توزیع‌های پسین شرطی کامل پارامترها محاسبه و از الگوریتم نمونه‌گیری گیبز برای استنباط استفاده می‌شود. برای مقایسۀ کارایی روش‌های بیزی ارائه‌شده با روش‌های متداول، مطالعۀ شبیه‌سازی انجام شده و در پایان نیز روش استفاده از مدل‌ها در قالب مثال کاربردی شرح داده خواهد شد.