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.

مدل‌بندی داده‌های فضایی چوله اغلب با استفاده از میدان تصادفی چوله گاوسی صورت می‌پذیرد. مساله اصلی این است که شبیه‌سازی از این میدان تصادفی برای بعضی مقادیر پارامترها و بعدهای بالا خیلی زمان‌بر و حتی در برخی حالت‌ها ناممکن و نیازمند استفاده از روش‌های تقریبی است. یکی از شاخه‌های آمار فضایی که اغلب در تعیین ذخائر زیرزمینی همچون نفت و گاز مورد استفاده قرار می‌گیرد، تحلیل داده‌های سایسمیک توسط مدل معکوس است. مدل معکوس گاوسی بیزی معمولا در معکوس سایسمیک مورد استفاده قرار می‌گیرد که از لحاظ تحلیلی و محاسباتی به راحتی برای بعدهای بالا قابل انجام است. اما در عمل با متغیرهایی  مواجه می‌شویم که نامتقارن و چوله هستند، مدل‌بندی این نوع داده‌ها با استفاده از توزیع‌های چوله صورت می‌گیرد. در تحلیل بیزی مدل معکوس چوله گاوسی بسته نیز یکی از مشکلات مهم تولید نمونه از توزیع چوله‌نرمال بسته است. در این مقاله یک الگوریتم کارآمد برای تولید نمونه از توزیع چوله‌نرمال بسته با بعد بالا ارائه می‌شود. همچنین توزیع چوله‌تی بسته معرفی می‌شود که شامل دم‌های سنگین در تابع چگالی است و یک الگوریتم شبیه‌سازی برای تولید نمونه از این توزیع نیز بیان می‌گردد. در نهایت بحث و نتیجه‌گیری ارائه می‌شود.

در تجزیه و تحلیل مسائل رگرسیونی و به‌ویژه مدل بندی آماری بسیاری از داده‌ها مانند داده‌های اقتصادی، روانشناسی، علوم اجتماعی، علوم پزشکی، مهندسی و غیره با مشکل هم‌خطی در میان متغیرهای پیشگو و حضور نقاط دورافتاده در مجموعه داده‌ها مواجه می‌شویم. در چنین مواقعی برآوردگر کمترین توان‌های دوم معمولی منجر به برآوردگرهای نادقیق می‌شود. برای غلبه بر مشکل مشاهده‌های دورافتاده از روش‌های استوار استفاده می‌شود. همچنین برای حل مشکل هم‌خطی چندگانه استفاده از رگرسیون مرزبندی ‌شده توصیه می‌شود. از طرف دیگر در شرایطی که واریانس خطا‌ها ناهمگن بوده یا خطا‌ها دارای خودهمبستگی باشند، از روش کم‌ترین توان‌های دوم تعمیم‌یافته استفاده می‌شود. در این مقاله ابتدا یک الگوریتم سریع برای محاسبه برآوردگر کم‌ترین توان‌های دوم تعمیم‌یافته پیراسته مرزبندی ‌شده محتمل در مدل رگرسیون نیمه‌پارامتری پیشنهاد شده و سپس با استفاده از شبیه‌سازی به روش مونت کارلو و یک داده واقعی، کارایی برآوردگرهای پیشنهادی سنجیده می‌شود‎.

تداول‌ترین روش برای برآورد پارامترهای مدل رگرسیون خطی، روش کمترین توان‌های دوم معمولی است که علی‌رغم سادگی محاسبه و دستیابی به بهترین برآورد خطی نااریب از پارامترها، گاهی منجر به جواب‌های گمراه‌کننده می‌شود. به عنوان مثال می‌توان به مشکلات ناشی از وجود همخطی و داده‌های دورافتاده در مجموعه داده‌ها اشاره کرد. روش کمترین توان‌های دوم پیراسته که یکی از معروف‌ترین روش‌های رگرسیون استوار است، تاثیر داده‌های دورافتاده را تا حد امکان کم می‌کند. هدف اصلی این مقاله ارائه‌ یک برآورد ستیغی استوار در مدل‌سازی مربوط به داده‌های سن دندانی است.  در بین روش‌هایی که برای تعیین سن استفاده می‌شود، رایج‌ترین روش در سراسر دنیا، روش نوین تعمیم‌یافته دمیرجیان است که بر اساس سخت‌شدگی دندان دائمی در رادیوگرافی پانورامیک بنا شده است. نشان داده شده است که استفاده از برآوردگر ستیغی استوار منجر به کاهش میانگین توان دوم خطای برآورد در مقایسه با برآوردگر کمترین توان‌های دوم معمولی می‌شود. البته برآوردگرهای پیشنهادی در داده‌های شبیه‌سازی‌شده نیز مورد ارزیابی قرار گرفتند.

مدل­ داده پانلی در بسیاری از شاخه‌های علمی همانند اقتصاد، علوم اجتماعی، پزشکی و اپیدمیولوژی مورد استفاده قرار می‌گیرد. در دهه‌های گذشته، استنباط روی ضرایب رگرسیون در مدل‌های داده پانلی توسعه یافته است. در این مقاله، به معرفی روش‌هایی به منظور انجام آزمون فرضیه برابری مدل پانلی در بین گروه‌های موجود در مجموعه داده‌های پانلی پرداخته می‌شود. ابتدا یک کمیت تصادفی معرفی می‌شود که توزیع آن را به دو روش تقریب و بوت استرپ پارامتری برآورد خواهد شد. همچنین یک کمیت محوری برای انجام این آزمون فرضیه معرفی می‌شود. در یک مطالعه شبیه‌سازی، رویکردهای پیشنهادی با روش موجود بر اساس خطای نوع اول و توان آزمون مورد مقایسه قرار می‌گیرد. همچنین مجموعه داده‌های پانل بنزینی با روش ارائه شده مورد تحلیل قرار می‌گیرد.

میدان تصادفی گاوسی معمولا برای تحلیل داده‌های فضایی به‌کار گرفته می‌شود. از ویژگی‌های مهم این میدان تصادفی دارا بودن خواص مهم خانواده توزیع‌های نرمال از جمله بسته بودن تحت تبدیلات خطی، حاشیه‌سازی و شرطی‌کردن است که باعث خاصیت سازگاری حاشیه‌ای می‌شود. به‌طور مشابه برای مدل‌بندی داده‌های فضایی چوله از میدان تصادفی چوله گاوسی استفاده می‌شود. هرچند توزیع چوله نرمال خیلی از خواص توزیع نرمال را داراست اما در بعضی تعریف‌های میدان تصادفی چوله گاوسی، خاصیت سازگاری حاشیه‌ای برقرار نیست. در این مقاله یک میدان تصادفی چوله ‌گاوسی مانا معرفی و خاصیت سازگاری حاشیه‌ای آن بررسی می‌شود. سپس تشخیص مدل همبستگی فضایی  این میدان تصادفی چوله  با استفاده از تغییرنگار تجربی مورد تحلیل قرار می‌گیرد. همچنین تحلیل درست‌نمایی پارامترهای میدان تصادفی معرفی شده با یک مطالعه شبیه‌سازی بیان و در انتها بحث و نتیجه‌گیری ارائه می‌شود.

تحلیل داده‌های با بعد بالا با استفاده از روش‌های رگرسیون کلاسیک انجام پذیر نیست و ممکن است نتایج آن گمراه کننده باشد.
    در این تحقیق سعی شده است با معرفی تکنیک‌های جدید و قدرتمندی مانند رگرسیون بردار پشتیبان، رگرسیون تابعی، رگرسیون  ستیغی و لاسو، به واکاوی این‌گونه داده‌ها پرداخته شود.  در این راستا، با تحلیل دو مجموعه داده بعد بالا (داده‌های مربوط به تولید ریبوفلاوین و شبیه‌سازی شده) با روش‌های معرفی شده، به ارزیابی کاراترین مدل با استفاده از سه معیار (مجذور همبستگی، میانگین توان دوم خطا و میانگین انحراف درصد خطای مطلق) با توجه به نوع داده‌ها پرداخته می‌شود.