خانواده توزیع‌های آلفا-پایدار از دو خاصیت چولگی و سنگینی دم برخوردار بوده و در نتیجه به‌طور گسترده‌‌ای در حوزه‌های مطالعاتی متعددی مورد استفاده قرار می‌گیرد. متاسفانه، برای تقریبا همه اعضای این خانواده، تابع چگالی با شکل تحلیلی وجود ندارد و در نتیجه یافتن برآوردگرهای ماکسیمم درستنمایی پارامترهای این توزیع به یک مسئله چالشی بدل شده است. در این مقاله، به‌منظور برطرف کردن این مشکل، نوعی الگوریتم ‎EM‎ پیشنهاد می‌شود. کارایی این الگوریتم به کمک شبیه‌سازی و همچنین تحلیل سه دسته از داده‌های واقعی مورد بررسی قرار خواهد گرفت.

در این مقاله، مسئله بدست آوردن بازه اطمینان برای ضریب همبستگی مشترک از چندین جامعه نرمال دومتغیره مستقل مورد بررسی قرار می‌گیرد. برای این کار از مفهوم توزیع اطمینان استفاده شده است. در مطالعات شبیه‌سازی و با در نظر گرفتن دو معیار احتمال پوشش و طول بازه مورد انتظار، روش پیشنهادی با روش متغیر تعمیم‌یافته مقایسه می‌شود. نتایج مطالعات شبیه‌سازی نشان می‌دهند که احتمال پوشش روش پیشنهادی در تمام وضعیت‌ها نزدیک به سطح اسمی است و همچنین طول بازه اطمینان مربوط به آن در اغلب موارد از طول بازه اطمینان ایجاد شده توسط روش متغیر تعمیم‌یافته کمتر است. در نهایت دو مثال واقعی برای بکارگیری این روش ارائه می‌گردد.

یکی از بحث‌های چالشی در مدل‌های رگرسیونی انتخاب مدل بهینه است، بدین شکل که چگونه می‌توان متغیرهای توضیحی مهم و متغیرهای قابل اغماض را مشخص کرده و رابطه‌ بین متغیر پاسخ و متغیرهای توضیحی را به‌طور ساده‌تر بیان نمود. با توجه به محدودیت‌های مربوط به انتخاب متغیر به روش کلاسیک نظیر انتخاب گام به گام، می‌توان از روش‌های رگرسیون تاوانیده استفاده کرد. یکی از مدل‌های رگرسیون تاوانیده، مدل رگرسیونی لاسو است که در آن فرض می‌شود خطاها از توزیع نرمال پیروی می‌کنند. در این مقاله، مدل رگرسیون لاسو بیزی با خطایی با توزیع نامتقارن و وجود متغیرهای توضیحی از بعد بالا معرفی می‌شود. سپس با شبیه‌سازی و تحلیل داده‌‌های  واقعی، عملکرد مدل پیشنهادی مورد بحث و بررسی قرار می‌گیرد.

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.

در این مقاله، برآوردیابی و پیش‌بینی برای توزیع پواسن-نمایی بر اساس رکوردهای پایین و زمان‌های بین رکورد مورد مطالعه قرار می‌گیرند. برآوردیابی با روش‌های ماکسیمم درستنمایی و بیزی بر اساس دو تابع زیان متقارن و نامتقارن صورت می‌‍‌پذیرد. از آن‌جا که به نظر می‌رسد انتگرال‌های مرتبط با برآوردهای بیزی دارای فرم‌های بسته نیستند، از الگوریتم‌های متروپولیس-هستینگز درون گیبز و نمونه‌گیری نقاط مهم برای تقریب این انتگرال‌ها استفاده می‌شود. همچنین پیش‌بینی بیزی رکوردهای آینده نیز مورد بررسی قرار می‌گیرد. یک مطالعه شبیه‌سازی و یک مثال کاربردی برای ارزیابی و نشان دادن کاربرد نتایج مقاله و همچنین مقایسه نتایج عددی وقتی استنباط بر اساس رکوردها و زمان‌های بین رکورد است، با هنگامی که استنباط تنها بر اساس رکوردها صورت می‌پذیرد، ارائه می‌گردد.

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 1397، بکار برده می‌شود. 

در این مقاله، به محاسبه برآوردگرهای بیزی و  E-بیزی در مدل بر نوع ۱۲ پرداخته می‌شود. برآوردگرها بر اساس داده‌های سانسور شده نوع دوم تحت تابع زیان کراندار گامای برگردانده به دست می‌آیند. رابطه بین برآوردگرهای E-بیز و همچنین ویژگی‌های مجانبی آن‌ها ارائه می‌شوند. عملکرد برآوردگرهای ارائه شده با استفاده از شبیه‌سازی مونت کارلو مورد بررسی قرار می‌گیرند. 

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.

 در این مقاله فرض می‌شود نرخ ورود متقاضیان به سیستم صف‌بندی M/M/c دارای توزیع نمایی با پارامتر $lambda$ و نرخ سرویس متقاضیان دارای توزیع نمایی با پارامتر $mu$ و مستقل از نرخ ورود است. همچنین فرض می‌شود سیستم تا زمان T (زمان توقف) فعال است. تحت این زمان توقف، برآورد ماکسیمم درستنمایی و برآورد بیزی تحت تابع‌های زیان آنتروپی عمومی و توان دوم خطای موزون و همچنین تحت توزیع پیشین آگاهی‌بخش و ناآگاهی بخش، پارامتر شدت ترافیک و احتمال پایایی سیستم M/M/c به دست آورده می‌شوند. سپس برآوردگرهای به دست آورده شده، به کمک روش شبیه‌سازی مونت‌کارلو و یک مثال عددی با هم مقایسه می‌شوند، تا برآوردگر مناسب‌تر تعیین شود.