در این مقاله روشی را برای دستیابی به طرح بلوکی ناقص E -بهینه برای مقایسه تیمارهای آزمایش با تیمار کنترل تحت این فرض که مشاهدات درون بلوک ها همبسته اند، ارائه می دهیم. سپس الگوریتمی برای ساختن طرح بهینه بیان می شود که برای هر ساختار همبستگی با درایه های غیرقطی نامثبت قابل استفاده است.

اگرچه خطای اندازه گیری در اکثر آزمایشات علمی وجود دارد اما معمولا برای ساده سازی مدل بندی وجود آن در مطالعات آماری نادیده گرفته می شود. در این مقاله، روش های مختلف برآورد پارامترهای مدل های چندسطحی در حضور خطای اندازه گیری مورد مطالعه قرار می گیرد. علاوه بر این، روشی جدید برای برآورد پارامترها در این حالت پیشنهاد می شود که در مقایسه با روش های مرسوم قبلی از دقت بالا و سرعت همگرایی قابل قبول تری برخوردار است. همچنین، به کمک مطالعه شبیه سازی و تحلیل داده های مربوط به هزینه و درآمد تعدادی از خانوارهای شهر تهران در سال 1387 عملکرد روش پیشنهادی با روش های مرسوم مورد ارزیابی و مقایسه قرار می گیرد

رگرسیون خطی استوار یکی از متداولترین رویکردها در روش‌های آماری استوار است. پارامترهای این روش اغلب از طریق کمترین توان‌های دوم پیراسته برآورد می‌شوند که در آن تابع هدف به‌گونه‌ای صورت‌بندی می‌شود که مجموع k تا از کوچکترین توان دوم باقیمانده‌ها (خطاها) کمینه شود. لذا این روش در مقایسه با روش متداول کمترین توان دوم خطا از محاسبات پیچیده‌تری برخوردار است. هدف اصلی این مقاله ارائه یک روش جدیدِ برآورد مدل‌های خطی جزئی با رویکرد تشخیص داده‌های پرت و معرفی برآوردگرهای استوار بر مبنای کمترین توان‌های دوم پیراسته است. در این راستا ابتدا روش تفاضلی در برآورد پارامترهای مدل خطی جزئی بیان می‌شود. سپس روش به‌دست آوردن برآوردگرهای تفاضلی استواری در مدل‌های خطی جزئی بر اساس یک مسئله بهینه‌سازی مبتنی بر کمینه‌سازی  مجموع k تا از کوچکترین توان دوم باقیمانده‌ها معرفی می‌شود. این رویکرد توانایی تشخیص داده‌های پرت را دارد. نتایج عددی مطالعه شبیه‌سازی و مطالعه کاربردی با داده‌های واقعی نشان‌دهنده دقت بسیار زیاد برآوردگرهای تفاضلی استوار معرفی شده در این مقاله در مقایسه با برآوردگرهای کلاسیک و متداول مدل‌های خطی جزئی هستند.

برآوردگرهای تاوانیده در سال‌های اخیر در برآورد پارامترهای رگرسیونی بسیار مورد توجه قرار گرفته‌اند، که معروف‌ترین آن‌ها برآوردگرهای تاوانیده با نُرم مستطیلی هستند. این برآوردگرها، همزمان انتخاب متغیر و برآورد پارامتر انجام می‌دهند. در این مقاله، با استفاده از اطلاعات پیشین غیرقطعی در مورد پارامترها، برآوردگرهای بهتری با مخاطره کمتر در مقایسه با برآوردگر لاسو، تاوانیده با نُرم مستطیلی ارائه شده است. برتری کارآیی برآوردگرهای انقباضی پیشنهاد شده در یک مطالعه‌ شبیه‌سازی نسبت به برآوردگر لاسو نشان داده شده است. همچنین کاهش در مقادیر میانگین خطاهای پیش‌بینی در مجموعه داده‌های سرطان آمار و ارقام ایالات متحده‌ آمریکا حاکی از قدرت پیش‌گویی برآوردگرهای انقباضی است.

 در این مقاله، به معرفی خانواده توزیع‌های دومتغیره گومپرتز تعمیم‌یافته-سری توانی پرداخته می‌شود. این کلاس جدید از توزیع‌های دومتغیره شامل چندین مدل مانند توزیع دومتغیره گومپرتز تعمیم‌یافته-هندسی، پواسون، دوجمله‌ای، لگاریتمی و دوجمله‌ای منفی و توزیع دومتغیره نمایی تعمیم‌یافته است. نحوه ساختن و ویژگی‌های این کلاس از توزیع‌های دومتغیره ارائه شده و روند برآوردیابی برای پارامترهای مدل با روش‌های ماکسیمم درستنمایی و الگوریتم EM بحث می‌شود. در نهایت دو کاربرد از داده‌های واقعی برای برازش این مدل و مفید نشان دادن آن ارائه می‌شوند.

در این مقاله ابتدا به معرفی مدل‌های رگرسیون پواسون آمیخته پرداخته و در ادامه به معرفی یک مدل جدید به نام رگرسیون پواسون-بیرنبام ساندرز با هدف لحاظ کردن مسئله بیش‌پراکنش در مدل‌بندی داده‌های شمارشی پرداخته می‌شود.
از آن‌جا که توزیع بیرنبام ساندرز آمیخته‌ای از دو توزیع گاوسی وارون تعمیم‌یافته است، لذا می‌توان مدل معرفی شده دو پارامتری را تعمیمی بر مدل‌های قبلی دانست که علاوه بر داشتن یک پارامتر کمتر نسبت به مدل رگرسیون پواسون گاوسی وارون تعمیم‌یافته، دارای شکل بسته در تابع جرم احتمال حاشیه‌ای و گشتاورهای مربوطه است.

برای برآورد پارامتر‌های این مدل از الگوریتم EM استفاده و در نهایت کارایی این مدل نسبت به مدل‌های موجود با استفاده از مطالعه شبیه‌سازی شده و یک مثال واقعی نشان داده شده است.

تمام مشاهدات نقش یکسان در مدل‌های آماری ندارند. گاهی برخی از مشاهدات اثرات نامناسبی روی نتایج تحلیل رگرسیونی‌ دارند. بنابراین شناسایی چنین مشاهداتی در تحلیل داده‌ها از اهمیت ویژه‌ای برخوردار است. برای شناسایی چنین مشاهداتی از روش‌های تشخیصی استفاده می شود. در مقاله حاضر با استفاده از روش حذف موردی و مدل انتقال میانگین نقاط دورافتاده، مباحث تشخیصی در مدل خطی آمیخته نیمه‌پارامتری با خطا در اندازه‌گیری مورد بررسی قرار گرفته است. علاوه بر مباحث حذف موردی، مباحث حذف آزمودنی نیز ارایه شده است. در پایان عملکرد مباحث تشخیصی با استفاده از مجموعه داده‌های واقعی و یک مثال شبیه‌سازی نشان داده شده است.

مجموع مقادیر خسارت‌ها دریک دوره‌ خاص، یک کمیت‌ اساسی برای مدیریت مناسب شرکت‌های بیمه و قیمت‌گذاری پوشش‌های بیمه‌ای هستند. در این مقاله، به بررسی ترتیب تصادفی معمولی بین مجموع مقادیر خسارت‌ها وقتی که تابع بقای خسارت‌ها، صعودی و مقعر هستند، پرداخته شده است . بعلاوه برخی از نتایج لی و لی (2016) تعمیم داده خواهد شد.

در این مقاله، ترتیب تصادفی معمولی، ترتیب محدب و ترتیب پراکندگی میان کوچکترین مقادیر خسارات با خسارات مستقل وایبل، مورد بررسی قرار گرفته است. همچنین، تحت شرایطی روی توابع مفصل معروف، چندین مقایسه تصادفی میان کوچکترین مقادیر خسارات انجام شده است.

روش‌شناسی کاهش بعد بسنده یک راهکار مؤثر برای تسهیل در تحلیل رگرسیونی با داده‌های با بعد بالاست. هنگامی که پاسخ‌ها سانسور شده باشند، برآوردگرهای موجود را نمی‌توان به‌کار برد یا به شرایط محدودکننده‌ای نیاز است. در این مقاله، برای کاهش بعد داده‌های رگرسیونی سانسور شده غیرخطی، اصلاحی از روش رگرسیون وارون ورقه شده ‌نوع دو پیشنهاد شده است. روش پیشنهادی، اولاً به هیچ مدل از پیش تعیین شده‌ای نیاز ندارد، ثانیاً اطلاعات کامل رگرسیونی را حفظ کرده و مجموعه‌ کوچکی از ترکیب پیشگوها را ارائه می‌دهد که فرمول‌بندی مدل و پیش‌بینی براساس این مجموعه انجام می‌گیرد. در انتها عملکرد این روش‌، علاوه بر داده‌های شبیه‌سازی شده، برای مجموعه‌ داده‌های واقعی سیروز صفراوی اولیه‌ کبد مورد بررسی قرار گرفته و نتایج روش معرفی شده با روش رگرسیون وارون ورقه شده ‌نوع یک مقایسه شده است.

توزیع دقیق بسیاری از آماره‌های پرکاربرد در مسائل مختلف استنباط آماری، قابل دستیابی نیست. یک رویکرد جایگزین در حالت بزرگ‌نمونه‌ای بدست آوردن توزیع مجانبی  است.  در این مقاله، توزیع مجانبی یک رده خاص از آماره‌های چندمتغیره را که بر اساس بسط سری تیلور دارای نمایش تقریبی به صورت میانگین بردارهای مستقل هستند، بیان می‌کنیم. در ادامه، توزیع مجانبی یک آماره  مبتنی بر تابع ژرفای ماهالانوبیس تجربی حاصل می‌شود و آماره برای آزمون اختلاف مقیاس بین دو توزیع چندمتغیره به‌کار می‌رود. مطالعات شبیه‌سازی به منظور بررسی رفتار توزیع مجانبی آماره آزمون انجام می‌شود و همچنین آماره  پیشنهادی برای تحلیل یک مجموعه داده  واقعی به‌کار می‌رود.