یکی از مدل هایی که می تواند در مطالعه رابطه بین مجموعه های تصادفی بولی و متغیرهای کمکی به کار رود مدل رگرسیونی رشد است که با تعمیم مدل بولی و وابسته کردن توزیع دانه های آن به متغیرهای کمکی تعریف می شود. این مدل می تواند در مطالعه رفتار مجموعه های تصادفی بولی وقتی تغییر در ناحیه پوشیده شده توسط آنها با تغییر در اندازه دانه ها همراه است استفاده شود. در این مقاله شناسایی و برازش مدل رشد مناسب، با تکیه به اطلاعات موجود در مصادیق مدل های بولی و مقادیر متغیرهای کمکی را امکان پذیر ساخته ایم. همچنین روش مناسبی برای برازش مدل رگرسیونی رشد ارایه و خواص برآورد کننده های حاصل از آن را به کمک شبیه سازی مورد مطالعه قرار داده ایم.

  طرح های پلاکت – برمن در ادبیات مربوط به طرح به عنوان طرح ­ های کسری نامنظم اشباع شده برای غربال کردن عامل ­ های فعال شناخته می ­ شدند. در دو دهه اخیر با معرفی تصویر پنهان این طرح ظرفیت آنها در برآورد اثرات متقابل دو عاملی توسط محققین متعددی مطالعه و ارائه شده است. در این تحقیق با استفاده از اصل تنک بودن اثرات قابلیت ­ های جدید این طرح در شناسایی و برآورد اثرات متقابل سه عاملی مورد بررسی قرار گرفته است. برای این منظور طرح کاوش پسا مرحله ­ ای معرفی شده است. این طرح امکان شناسایی و برآورد اثرات اصلی و اثرات متقابل دو عاملی که در مرحله قبل به عنوان اثرات فعال شناخته شده ­ اند فراهم می ­ آورد. نشان داده شده است که تصویر طرح پلاکت – برمن با 12 اجرا روی 4 و 5 عامل یک طرح پسا مرحله ­ ای است.

  در اغلب مطالعات محیطی، داده­ها بر حسب موقعیت­شان در ناحیه مورد مطالعه معمولا وابسته فضایی هستند. تعیین ساختار همبستگی فضایی و پیشگویی دو مساله مهم در تحلیل داده­های فضایی هستند. برای تحلیل این داده­ها، اغلب یک مدل تغییرنگار پارامتری به تغییرنگار تجربی داده­ها برازش داده می­شود و براساس آن پیشگویی صورت می­پذیرد. با توجه به اینکه شکل بسته­ای برای برآوردگر پارامترهای تغییرنگار وجود ندارد، معمولا این پارامترها به صورت عددی برآورد می­شوند. لاهیری (2003) روش بوت­استرپ بلوک متحرک را برای داده­های فضایی پیشنهاد نمود که در آن مشاهدات به بلوک­هایی متحرک تقسیم و بازنمونه­گیری از آنها صورت می­پذیرد. چون در این روش حضور مشاهدات مرزی در بلوک­های بازنمونه­گیری شده نسبت به سایر مشاهدات شانس انتخاب کمتری دارند، برآورد اندازه­های دقت اریب می­باشند. در این مقاله، علاوه بر مرور روش بوت­استرپ بلوک متحرک، روش بوت­استرپ بلوک مجزا برای برآورد اندازه­های دقت برآوردگر پارامترهای تغییرنگار و پیشگوی فضایی کریگینگ ارائه می­شود. سپس نحوه کاربست این روش در یک مثال کاربردی نشان داده می­شود.

در این مقاله، به دلیل اهمیت و گستردگی استفاده از توزیع نرمال، نمونه های مبتنی بر این توزیع در نظر گرفته شده، با استفاده از مقادیر برش وابسته به حجم نمونه، نقاط دورافتاده آنها شناسایی می شوند. برای به دست آوردن مقادیر برش بهینه یک مسا له تصمیم مطرح و به روشی کمبیشینه (مینیماکس) حل می گردد. در حل این مسا له از روش شبیه سازی بهره گرفته شده است .

عمده تحقیقات بهینه سازی طرح برای مدل های با اثرات آمیخته روی مدل های خطی و مدل های با پاسخ دودویی تمرکز دارد. اخیرا مدل های پواسون با اثرات تصادفی نیز توسط بعضی از محققین در نظر گرفته شده است. در این مقاله حالتی خاص از مدل های آمیخته پواسون تحت عنوان مدل پواسون با عرض از مبداء تصادفی بررسی می شود. تغییرات طرح آزمایش بر حسب واریانس اثر تصادفی را بدست آورده و نشان داده می شود که این تغییرات وابسته به پارامتر واریانس است. به کمک ملاک D-کارایی تاثیر اثر تصادفی روی نقاط  طرح در مقایسه با مدل های متناظر بدون اثر تصادفی بررسی و نشان داده می شود که این کارایی به مقدار واریانس اثر بستگی دارد.

چنانچه در نمونه گیری، داده ها با احتمالی متناسب با اندازه انتخاب شوند، داده های حاصل را در طول-اریب نامند. برآورد ناپارامتری تابع چگالی با استفاده از داده های در طول-اریب، مشکلتر از سایر حالات است. یکی از برآوردگرهای معروف در این زمینه توسط جونز (1991) معرفی شده است. در این مقاله ابتدا پارامتر پهنای باند این برآوردگر با رهیافت بیزی برآورد می شود. سپس سازگاری قوی آن با به کار بردن پهنای باند برآورد شده به روش بیزی اثبات می شود. در انتها با مطالعه شبیه سازی به مقایسه عملکرد روش بیزی و اعتبارسنجی متقابل در برآورد پهنای باند پرداخته می شود.

یکی از مسائل مهم پیش بینی وضع آینده سیستم یا فرایندهایی است که با گذشت زمان در حال تغییرند. در چنین شرایطی علاوه بر متغیرها امکان دارد پارامترها نیز در حال تغییر باشند و از این رو فرض استقلال برای پارامترها و متغیرها از بین می رود. برای تحلیل چنین سیستمی معمولا از مدل های خطی پویای تعمیم یافته استفاده می شود. هدف این مقاله، به کارگیری مدل های خطی پویای تعمیم یافته بیزی در تحلیل ساختارهای گسسته غیرمزدوج بر پایه الگوریتم مونت کارلوی زنجیر مارکوفی است. پس از ارائه مبانی نظری موضوع، با بهره گیری از مدلی که پارامترهای پویای آن از فرایند اتورگرسیو پیروی می کند و ابزارهای سودمندی که مدل های خطی پویای تعمیم یافته بیزی در اختیار ما قرار می دهند، به تحلیل فعالیت اقتصادی طی سال های 1385 تا 1387 در سه استان کشور پرداخته می شود.

 به کارگیری متغیرهای کمکی برای اصلاح برآوردگرها روشی متداول در آمار و به خصوص بررسی های نمونه ای است. به عنوان مثال می توان به برآوردگرهای نسبتی و رگرسیونی در نمونه گیری اشاره کرد. با فرض معلوم بودن مجموع جامعه کمکی و برقرار بودن یک سری شرایط، برآوردگرهای کالیبره و واریانس آنها را می توان با استفاده از برآوردگرهای رگرسیونی تعمیم یافته به دست آورد. در این مقاله، با فرض نامعلوم بودن مجموع متغیر کمکی در جامعه، برآوردگر کل و واریانس آن در جامعه هدف با روش رگرسیون تعمیم یافته به دست آورده می شود. سپس نشان داده می شود برآوردگر ارائه شده برای مجموع کل جامعه از نظر کارایی بهتر از برآوردگر هورویتز تامپسون است. آنگاه نظریه به دست آمده با شبیه سازی به روش مونت کارلو زنجیر مارکوفی در طرح نمونه گیری طبقه بندی مورد بررسی قرار می گیرد.

در فرآیند مخاطره انفرادی شرکت بیمه ای که اندازه های خسارت بیمه گذاران آن به یکدیگر وابسته اند، تعیین احتمال و زمان ورشکستگی از اهمیت بسزایی برخوردار است. محاسبه دقیق این احتمالات به دلیل ساختار پیچیده آن، کار آسانی نیست. در این مقاله، برآورد احتمالات ورشکستگی، تعیین زمان های ورشکستگی و بازه اطمینان احتمالات ورشکستگی  در سطوح مختلف همبستگی خسارتها با روش شبیه سازی مونت کارلو انجام شده است. در این شبیه سازی برای تولید خسارت های وابسته از تابع مفصل فرانک چند متغیره و الگوریتم مارشال و الکین کمک گرفته و نشان داده شده است که با افزایش سطح وابستگی بین اندازه های خسارت، احتمال ورشکستگی فرآیند مخاطره افزایش و زمان ورشکستگی آن کاهش می یابد

هدف این مقاله معرفی یک مدل تعمیم یافته برای توزیع توأم متغیرهای اسمی، ترتیبی و پیوسته برای با و بدون داده گم شده است. فرم های بسته ای برای تابع درستنمایی مربوط به مدل های مکانی عام ارائه می شود. همچنین تقریب جو، برای براورد پارامترهای مدل مکانی عام با پاسخ های اسمی، پیوسته و ترتیبی با و بدون داده های گم شده به کار برده شده است. برای نشان دادن قابلیت مدل های پیشنهادی، مطالعات شبیه سازی انجام شده است. همچنین مدل های ارائه شده بر روی داده های واقعی مربوط به آموزش زبان خارجی مورد تحلیل قرار گرفته است

در این مقاله سه نوع برآوردگر جدید به روش ناپارامتری برای اندازه وابستگی دمی بالا به دست آورده و نشان داده می شود که برآوردگرهایی سازگار و به طور مجانبی نااریب هستند. سپس با شبیه سازی مونت کارلو از سه مفصل متفاوت، این سه برآوردگر با هم مقایسه شده و با به کارگیری داده های واقعی روشی جدید برای انتخاب بهترین برآوردگر ارائه می شود.

یکی از هدف های تحلیل آماری شکل، علاوه بر دستیابی به برآوردی از میانگین، برآورد واریانس شکل است، که از طریق تحلیل مولفه های اصلی قابل حصول است. به دلیل محدودیت استفاده از روش تحلیل مولفه اصلی برای مجموعه داده هایی از فضای اقلیدسی، این روش برای داده های آمار شکل که ماهیتا غیراقلیدسی هستند، قابل کاربرد نیست. در این حالت می توان از تحلیل ژئودزیک اصلی یا تقریب خطی آن به عنوان تعمیمی از تحلیل مولفه اصلی به فضای غیراقلیدسی استفاده نمود. از آنجا که اساس این روش مبتنی بر الگوریتم گرادیان نزول است، در این مقاله با آشکار ساختن چند ضعف عمده آن، الگوریتم جدیدی معرفی می شود که هم منجر به برآورد استوار میانگین شکل و هم حفظ ساختار هندسی شکل خواهد شد. سپس با ارائه جنبه های نظری روش تحلیل ژئودزیک اصلی، عملکرد آن در یک مطالعه شبیه سازی و یک مثال واقعی، مورد ارزیابی قرار خواهد گرفت

روش های استنباط متعددی برای شبکه های ژنی وجود دارد، ولی در همه آن ها تنها از اطلاعات نمونه استفاده می شود و کمتر مواردی وجود دارد که از اطلاعات گذشته یا اطلاعات موازی استفاده شده باشد. در این پژوهش به استنباط بیزی شبکه های ژنی پرداخته می شود. تلاش می شود از اطلاعات موجود در قالب یک الگوی بیزی استفاده شود. بدیهی است با به کارگیری توزیع پیشین مناسب و توجه به عدم استقلال پارامترهای موجود در شبکه های ژنی تعیین الگویی مورد نظر است که بتوان نتایج بهتری را نسبت به اطلاعات گذشته و نیز اطلاعات موجود در نمونه ها به دست آورد. به علاوه ابر پارامترها به دو روش برآورد می شوند و نتایج آن در یک مطالعه شبیه سازی مبتنی بر نمونه گیری گیبز مورد بررسی قرار گرفته، معایب و مزایای هر یک از آن ها بیان خواهند شد