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.

یک چالش اساسی در استنباط مدل‌های آمیخته، معرفی معیارهای کارا برای انتخاب مدل است. منبع اصلی این چالش نیز برازش و محاسبه ماکسیمم تابع درستنمایی مدل می‌باشد. داده تاگی روش جدیدی است که برای برازش کارای مدل‌های آمیخته با روش ماکسیمم درستنمایی پیشنهاد شده است. این روش، اخیرا، طرفداران زیادی پیدا کرده است و مشکلات عمده سایر روش‌های استنباط مبتنی بر درستنمایی در مدل‌های آمیخته را ندارد. یکی از معایب این روش، عدم توانایی محاسبه مقدار ماکسیمم تابع درستنمایی است. این مقدار یک کمیت کلیدی در معرفی و محاسبه معیارهای انتخاب مدل محسوب می‌شود. بنابراین به‌نظر می‌رسد با روش داده تاگی نمی‌توان یک معیار اطلاع مناسب، به‌طور مستقیم، برای یافتن بهترین مدل در رده مدل‌های آمیخته، تعریف کرد. این پژوهش تلاشی است در جهت نقض این باور. در این مقاله، یک معیار مبتنی بر روش داده تاگی معرفی می‌شود و عملکرد آن در یک مطالعه شبیه‌سازی مورد ارزیابی قرار می‌گیرد.

یکی از روش‌های رفع مشکل همخطی در مدل‌های خطی، استفاده از برآوردگر لیو است. در این مقاله، برآوردگر جدیدی را با تعمیم برآوردگر لیو اصلاح‌ شده لی و یانگ (۲۰۱۲) ارائه شده است. این برآوردگر بر اساس یک اطلاع پیشین از بردار پارامترها در مدل رگرسیون خطی و برآوردگر تعمیم‌یافته آکدنیز و کاچیرانلار (۱۹۹۵) به‌دست می‌آید. با استفاده از معیار ماتریس میانگین توان دوم خطا، شرایط برتری این برآوردگر بر برآوردگر لیو تعمیم‌یافته به‌دست آورده می‌شود. به منظور مقایسه رفتار این برآوردگر با برآوردگرهای موجود، یک مثال عددی و یک مطالعه شبیه‌سازی انجام شده است. 

 معمولا در مسائل با بعد بالا، وقتی تعداد متغیرها بیشتر از تعداد مشاهدات است، برآوردگرهای جریمه شده بر پایه روش‌های انقباضی از دیدگاه خطای پیشگویی پاسخ، از کارایی بهتری نسبت به برآوردگر کمترین توان‌های دوم در برآورد ضرایب رگرسیونی برخوردار هستند. در این برآوردگرها پارامتر تنظیم کننده یا انقباضی نقش اساسی در انتخاب متغیر و برآورد پارامترها بازی می‌کند. برآوردگر انقباضی بریج، برآوردگری است که با تغییر پارامتر تنظیم کننده آن می‌توان به برآوردگرهای معروف ریج و لاسو دست یافت. در این مقاله برآوردگر انقباضی بریج را، با اعمال یک قید خطی روی بردار ضرایب رگرسیونی، به‌دست آورده سازگاری آن اثبات می‌شود. به علاوه در قالب یک مطالعه شبیه‌سازی و مثال واقعی کارایی آن از دیدگاه میانگین توان دوم خطا مورد ارزیابی قرار می‌گیرد‎.

داده‌های شمارشی زمین‌آماری در جوامع متناهی در کاربردهای مختلفی، مثل مدیریت شهری و پزشکی، دیده می‌شوند. مدل معمول برای تحلیل این نوع پاسخ‌ها، مدل لوجیت-دوجمله‌ای فضایی است. در اکثر موقعیت‌های کاربردی، این نوع داده‌ها جدا از تغییرپذیری فضایی دارای بیش‌پراکندگی هستند که مدل دوجمله‌ای توانایی مدل‌بندی آن را ندارد. رهیافت جانشین در این حالت، یک مدل بتا-دوجمله‌ای است که از انعطاف لازم برای لحاظ کردن بیش‌پراکنشی موجود در داده‌ها برخوردار است. در این مقاله، ابتدا برازش مدل بتا-دوجمله‌ای فضایی برای داده‌های شمارشی زمین‌آماری با یک رهیافت بیزی ترکیبی مبتنی بر تقریب لاپلاس آشیانی جمع‌بسته و معادلات دیفرانسیل جزیی تصادفی توصیف می‌شود. سپس این مدل، در یک مطالعه موردی، برای تحلیل تعداد تصادف‌های منجر به جرح یا فوت در شهر مشهد به‌کار گرفته می‌شود. همچنین با یک مطالعه شبیه‌سازی، عملکرد مدل پیشنهادی ارزیابی می‌شود.

داده‌های حاصل از اندازه‌گیری شاخص‌های مالی و اقتصادی، مانند قیمت مسکن، عموما به‌طور فضایی همبسته و ناهمگن هستند. مدل‌های اقتصادسنجی فضایی برای لحاظ کردن وابستگی موجود در این داده‌ها پرطرفدار هستند. اما مدل‌بندی کارای ناهمگنی فضایی هنوز مورد سوال است. معمولا از رگرسیون وزنی جغرافیایی برای مدل‌بندی ناهمگنی موضعی داده‌های فضایی استفاده می‌شود. این رده از مدل‌ها برای داده‌های فضایی همگن در چند زیرناحیه، بیش از حد پیچیده هستند. در این مقاله، از یک رهیافت مبتنی بر خوشه‌بندی فضایی برای شناسایی زیرنواحی همگن استفاده می‌شود. سپس، در هر زیرناحیه، مدل‌های اقتصادسنجی فضایی بیزی به داده‌ها برازش داده می‌شوند. با توجه به پیچیدگی توزیع پسین مدل‌های پیشنهادی و دوری از مشکلات الگوریتم‌های MCMC، از روش تقریب لاپلاس آشیانه‌ای جمع‌بسته استفاده می‌شود. آنگاه در یک مطالعه شبیه‌سازی، عملکرد رهیافت پیشنهادی ارزیابی و نحوه کاربست رهیافت دومرحله‌ای پیشنهادی برای تحلیل داده‌های قیمت مسکن در شهر مشهد ارائه خواهد شد.