از جمله روش‌هایی که در سال‌های اخیر توجه بسیاری از محققان را برای مدل‌سازی داده‌های چندمتغیره آمیخته به خود جلب کرده است، استفاده از تابع مفصل می‌باشد. در این مقاله مدلی رگرسیونی برای پاسخ‌های آمیخته بقا و گسسته بر اساس تابع مفصل ارائه می‌شود که در آن متغیر پیوسته از نوع زمان بوده و امکان وقوع مشاهده سانسور شده در آن وجود دارد. برای انجام این کار فرض شد که توزیع‌های حاشیه‌ای مشخص هستند و متغیری پنهان برای تبدیل حاشیه گسسته به پیوسته مورد استفاده قرار گرفت. سپس با استفاده از تابع مفصل تابع توزیع توام برای دو متغیر تشکیل و در پایان مدل به دست آمده بر روی داده‌های فاصله بین تولدها در شهر اهواز مورد استفاده قرار گرفت.

ریزش داده‌ها و مقادیر گمشده از مشکلات معمول در تحلیل داده‌ها محسوب می‌شود. لذا اهمیت دارد که با برآورد مقادیر گمشده، داده‌ها کامل شده و در مسیری مناسب و صحیح برای تحلیل قرار داده شوند. دو روش معمول برای مقابله با داده‌های گمشده "جانهی چندگانه" و "وزن‌دهی احتمال معکوس" هستند. در این مقاله، رویکرد سومی‌ معرفی خواهد شد که ترکیبی از دو روش جانهی چندگانه و وزن‌دهی احتمال معکوس است. با توجه به نتایج حاصل از مطالعه شبیه‌سازی روش ترکیبی مزایای بیشتری نسبت به سایر گزینه‌ها دارد. با توجه به وجود مقادیر گمشده در اکثر مطالعات به‌خصوص در حوزه پزشکی، نادیده گرفتن آن‌ها سبب تحلیل اشتباه شده و استفاده از روش‌های نیرومند، برای تحلیل صحیح، با اهمیت تلقی می‌شود.

در تحلیل رگرسیونی مطالعه مباحث تشخیصی شامل تعیین مشاهدات مؤثر و نقاط پرت از اهمیت ویژه‌ای برخوردار است. حساسیت روش کمترین توان‌های دوم نسبت به حضور مشاهدات مؤثر و داده‌های پرت در مدل موجب شد که گامی در جهت توسعه‌ مباحث تشخیصی به منظور ارائه‌ معیارهایی برای اندازه‌گیری تأثیر و شدت وابستگی به این مشاهدات برداشته شود. تعیین مشاهدات مؤثر و نقاط پرت در داده‌ها، زمانی که متغیرهای مستقل همخطی داشته باشند، بسیار پیچیده و مشکل است و خصوصاً اینکه حضور همخطی می‌تواند برخی از داده‌های غیرعادی را پوشش دهد. یکی از روش‌های مورد توجه برای تعیین مشاهدات پرت، روش انتقال میانگین است. در این مقاله، روش انتقال میانگین را برای برآوردگر ریج تحت محدودیت‌های خطی تصادفی؛ که به منظور کاهش اثر همخطی استفاده شده، تعمیم داده و برای این برآوردگر آماره آزمون جهت شناسایی مشاهدات پرت ارائه خواهد شد. در نهایت توانایی این روش را با استفاده از یک مثال کاربردی از داده‌های واقعی نشان داده می‌شود.

عدم قطعیت یکی از ویژ‌گی‌های ذاتی در بسیاری از داده‌های زیستی، زمین‌آماری و جغرافیایی، به عنوان داده‌های فضایی است، که در اغلب اوقات ناشی از وجود خطا در اندازه‌گیری‌ کمیت‌های مورد مطالعه است. این در حالی است که در نظر نگرفتن این موضوع می‌تواند اعتبار نتایج حاصل از تحلیل داده‌ها را زیر سؤال برده و براوردهای حاصل را دچار تورم واریانس و اریبی قابل توجهی نماید. در این مقاله، به تحلیل مدل فضایی گاوسی با خطای اندازه‌گیری در پیش‌گوها در قالب یک چارچوب بیزی پرداخته خواهد شد. با توجه به پیچیدگی شکل توزیع پسین، نمونه‌گیری از این توزیع به کمک الگوریتم‌های مونت کارلوی زنجیر مارکفی و روش‌ داده‌افزایی انجام خواهد شد. سرانجام عملکرد مدل پیشنهادی را در مقایسه با نتایج تحلیل مدل ناپخته به کمک شبیه‌سازی ارزیابی می‌شود.