---

یکی از عوامل تأثیرگذار در تحلیل آماری داده‌ها، وجود مشاهده‌های دورافتاده است. به روش‌هایی که تحت تأثیر مشاهده‌های دورافتاده قرار نمی‌گیرند، روش‌های آماری استوار گفته می‌شود. علاوه بر وجود مشاهده‌های دورافتاده، وجود وابستگی خطی میان متغیرهای پیشگو، که از آن با عنوان هم‌خطی چندگانه یاد می‌شود و نیز تعداد زیاد متغیرها در مقابل اندازۀ کم نمونه، به خصوص در مدل‌های تُنک با بعد بالا، از دیگر مشکلاتی هستند که منجر به کاهش کارایی استنباط‌های حاصل از روش‌های کلاسیک رگرسیونی می‌شوند.

در این مقاله، ابتدا معایب روش رگرسیونی کلاسیک کمترین توان‌های دوم در مقابل مشاهده‌های دورافتاده، هم‌خطی چندگانه و مدل‌های تنک را بررسی می‌کنیم. سپس به معرفی و بررسی روش‌های رگرسیون استوار و رگرسیون تاوانیده به عنوان راهکارهای حل این مشکلات می‌پردازیم. همچنین با در نظر گرفتن مشاهده‌های دورافتاده و هم‌خطی چندگانه و یا مدل‌های تنک به‌طور هم‌زمان به بررسی روش‌های رگرسیون استوار تاوانیده می‌پردازیم.

در نهایت به‌منظور مقایسۀ عملکرد براوردگرهای مختلف مطرح شده در این مقاله، ابتدا سه مطالعۀ شبیه‌سازی را انجام داده و سپس به تحلیل یک مجموعه دادۀ واقعی با استفاده از روش‌های رگرسیون استوار تاوانیده می‌پردازیم.

---

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.