تاکنون مساله آشکارسازی سیگنال با استفاده از نظریه میدان های تصادفی توسط گروهی از آمارشناسان مورد بررسی قرار گرفته است. در این مقاله برآورد نقطه ای پارامترهای سیگنال یک میدان تصادفی گاوسی فضای مقیاس به روش بیزی را مورد بررسی قرار می دهیم. با توجه به پیچیدگی توزیع پسین پارامترهای این مدل و عدم وجود فرم بسته برای آن، با استفاده از روش مونت کارلوی زنجیر مارکوفی ( MCMC )، برآوردهای مذکور را تقریب کرده ایم. در نهایت از روش پیشنهادی برای تحلیل داده های fMRI حاصل از یک مطالعه واقعی در موسسه عصب شناسی مونترآل کانادا استفاده کرده ایم.

  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.

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

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

در بین تمام توزیع‌های آماری توزیع نرمال استاندارد مهم‌ترین و کاربردی‌ترین توزیع آماری بوده و محاسبه سطح زیر منحنی چگالی و تابع توزیع آن مورد نیاز است. ضابطه این تابع به‌صورت یک انتگرال معین بیان می‌شود، ولی متاسفانه تابع اولیه آن دارای شکل بسته و تحلیلی نیست، لذا باید آن را تقریب زد. در این مقاله رابطه تقریبی سرگئی وینزکی با یک روش جدید اثبات می‌شود، سپس این تقریب با تغییراتی در رابطه آن بهبود داده و نشان می‌دهیم حداکثر مقدار خطای آن کمتر از ۰۰۰۰۵۸۴/۰ است. در انتها رابطه‌ای نیز برای محاسبه صدک‌های توزیع نرمال به‌دست آورده می‌شود.

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.

در این مقاله پاسخ‌های شمارشی با تعداد صفر زیاد، که داده‌های آماسیدۀ صفر نامیده می‌شوند، مورد تحلیل قرار گرفته‌اند. فرض می‌شود پاسخ‌ها از سری توانی آماسیدۀ صفر پیروی می‌کنند. همچنین به دلیل وجود گم‌شدگی از نوع تصادفی در متغیرهای تبیینی برخی از داده‌های کاربردی، انواع روش‌های برآوردیابی پارامترهای مدل براساس تابع امتیاز با و بدون درنظر گرفتن گم‌شدگی برای مدل رگرسیونی ارایه شده است. در این میان، معلوم یا نامعلوم بودن احتمال انتخاب متغیر تبیینی گم‌شده منجر به ارایه روش نیم‌پارامتری برای برآورد پارامترها در مدل رگرسیونی سری توانی آماسیدۀ صفر می‌شود. به منظور تشریح روش پیشنهادی، مطالعه‌ا‌ی شبیه‌سازی برای مدل رگرسیونی دوجمله‌ای منفی آماسیدۀ صفر با متغیرهای تبیینی گم‌شده به عنوان یک مدل رگرسیونی سری توانی انجام می‌شود و سپس مثالی از داده‌های واقعی ارایه می‌شود. در انتها، عملکرد روش ‌نیم‌پارامتری در مقایسه با روش ماکسیمم درستنمایی، مورد-کامل، احتمال وارون وزنی مورد بررسی و ارزیابی قرار گرفته است.

یکی از مسائل مهم مطالعات طولی، داده‌هایی هستند که به دلیل گم‌شدن ملاقات‌ها یا انصراف از دست می‌روند. در چنین حالاتی آزمودنی‌ها مجموعه‌ زمان‌های مشاهده یکسانی ندارند. مسئله گم‌شدگی در تحلیل داده‌های آمیخته گسسته و پیوسته طولی نیز بسیار رایج است و ممکن است گم‌شدگی در یکی از پاسخ‌ها و یا هر دو رخ دهد.  عدم توجه به دلیل گم‌شدن (سازوکار گم‌شدگی) منجر به برآوردها و استنباط‌های اریب می‌شود. بنابراین در این مقاله به بررسی سازوکار گم‌شدن غیرقابل چشم پوشی در پاسخ‌های آمیخته طولی مجموعه ‌آماسیده پیوسته و آماسیده در صفر سری توانی و همچنین پاسخ‌های آمیخته پیوسته و k-آماسیده ترتیبی پرداخته می‌شود. با یک رویکرد درستنمایی مبنا برآوردهای مدل‌های پیشنهادی را به دست می‌آید. عملکرد مدل‌ها را با مطالعات شبیهسازی و دو مجموعه داده واقعی تغییرات زندگی آمریکایی‌ها و آزمون موفقیت فردی پیبادی  مورد بررسی قرار می‌گیرد. 

تابع ژرفا  با در نظر گرفتن ویژگی‌های هندسی مجموعه داده‌های چندمتغیره و رتبه‌بندی مشاهدات  ابزار مناسبی را در آمار ناپارامتری چندمتغیره فراهم آورده است. به عبارت دیگر، این تابع منجر به مرتب‌سازی از مرکز به بیرون نقاط چندمتغیره می‌شود. از آن‌جا که دورافتادگی نقاط به طور اجتناب‌ناپذیری وابسته به ترتیب داده‌ها است، این مرتب‌سازی می‌تواند راهی برای شناسایی نقاط دورافتاده فراهم کند. در این مقاله، بر اساس مفهوم تابع ژرفا، یک روش ناوردای آفین برای شناسائی نقاط دورافتاده چندمتغیره بیان می‌شود. ویژگی مطلوب ناوردای آفین  تضمین می‌کند که نقطه دورافتاده تحت هرگونه تبدیل از محورهای مختصات کماکان به‌عنوان دورافتاده شناسایی شود. پیاده‌سازی این روش نسبت به بیشتر روش‌های چندمتغیره که دارای پیچیدگی محاسباتی هستند، ساده‌تر است. بر اساس مطالعات شبیه‌سازی عملکرد روش پیشنهادی بر اساس توابع ژرفای مختلف مورد بررسی قرار گرفته است. سرانجام، روش بیان شده برای داده‌های مسکن شهرهای منتخب ایران در سال ۱۳۹۷، بکار برده می‌شود. 

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.

این مقاله به بیان یک رویکرد ناپارامتری بر اساس تابع ژرفا برای رده‌بندی داده‌های چند‌متغیره به چندین رده می‌پردازد. پیاده‌سازی این روش برخلاف اغلب روش‌های ناپارامتری دارای پیچیدگی محاسباتی نیست و در صورت برقراری فرض تقارن بیضوی مشاهدات، با قاعده  بهینه بیزی معادل است. ارزیابی عملکرد این رده‌بندی‌‌ساز بر اساس توابع ژرفای مختلف، بر اساس مطالعات شبیه‌سازی و تحلیل داده‌های واقعی انجام می‌شود.