---

تحلیل آماری فرایند حرکت براونی کسری یکی از موضوعات مهم در مبحث فرایندهای تصادفی است. مهمترین مسئله در بررسی این فرایند، استنباط آماری در مورد پارامتر هرست حرکت براونی کسری است. یکی از روش‌های برآورد پارامتر مورد اشاره استفاده از روش برآورد ماکسیمم درستنمایی است. به‌دلیل پیچیدگی‌های محاسباتی مرتبط با این روش در ارائه جواب بسته، سعی می‌شود پارامتر هرست به کمک روش‌های عددی برآورد شود. نتایج نظری مقاله، در قالب مطالعه شبیه‌سازی برای حالات متفاوت نیز مورد بررسی قرار می‌گیرد.

---

حضور متغیرهای درون‌زا در مدل‌های آماری ناسازگاری و اریبی برآوردگرهای معمول پارامترهای مدل را به دنبال دارد. روش‌های متعددی در این حالت ارائه شد که مشکل ناسازگاری و اریبی را تنها برای حالت بزرگ نمونه‌ای حل کرده‌اند. یکی از این روش‌ها مبتنی بر استفاده از متغیر ابزاری است که باعث حذف درون‌زایی متغیر مورد مناقشه می‌شود. روشی دیگر برای برآورد پارامتر مدل‌های رگرسیون درون‌زا، روش کمترین توان‌های دوم دو مرحله‌ای است که دقت بهتری نسبت به روش کمترین توان‌های دوم معمولی دارد. اما براوردگر حاصل از این روش نیز تنها در حالت بزرگ نمونه‌ای نااریب و سازگار است. مقاله حاضر روش‌های نوینی برای رفع این نقص‌ها ارائه می‌کند. به‌طور دقیقتر، به منظور افزایش دقت برآورد در مدل موردنظر، نوشته حاضر سه روش کمترین توان‌های دوم دو مرحله‌ای تکراری، دو مرحله‌ای جکنایف و دو مرحله‌ای کالبیده را در حالت اندازه نمونه متناهی پیشنهاد می‌دهد. برای ارزیابی عملکرد روش‌های ارائه شده مطالعه شبیه‌سازی انجام خواهد شد. علاوه بر این، با استفاده از داده‌های هزینه و درآمد ایران، گردآوری شده در سال 1390، نحوه عملکرد برآوردهای پیشنهادی مورد مقایسه قرار می‌گیرد.

---

روش‌های متعددی برای خوشه‌بندی داده‌های بیان ژن دوره‌ای زمانی وجود دارد ولی محدودیت‌هایی برای این روش‌ها وجود دارد که از جمله‌ آن‌ها می‌توان به عدم در نظر گرفتن همبستگی در طول زمان و زمان‌بر بودن محاسبات اشاره داشت. در این مقاله با معرفی مدل‌های اثرات آمیخته‌ی ناپارامتری و نیمه‌پارامتری، این همبستگی در طول زمان در نظر گرفته شده و با استفاده از اسپلاین تاوانیده، حجم محاسبات به طور چشم‌گیری کاهش یافته است. در پایان با استفاده از مطالعه‌ شبیه‌سازی عملکرد روش پیشنهادی با روش‌های قبلی مقایسه و با استفاده از ملاک BIC، مدل مناسب‌تر انتخاب و تحلیل می‌شود. همچنین روش پیشنهادی در یک مثال کاربردی داده‌های بیان ژن دوره‌ای زمانی ارائه شده است.

---

اده‌های شکل با توجه به تعدد منابع خطاها اغلب در معرض ابتلا به خطای اندازه‌گیری قرار دارند. نادیده گرفتن چنین خطایی در صورت وجود، باعث بروز مشکلات زیادی از قبیل اریبی برآوردگرها می‌شود. در این حالت برآوردگرهای حاصل از عدم دخالت خطای اندازه‌گیری برآوردگرهای ناپخته نامیده می‌شوند. برآوردگرهای ناپخته برای پارامترهای مقیاس و دوران در هنگام استفاده از انطباق پروکراستس داده‌های شکل دو بعدی، اریب هستند. برای تصحیح اریبی و بهبود برآوردگرهای ناپخته، در این مقاله روش‌های کالبیدن رگرسیون که از طریق بکارگیری مدل‌های رگرسیونی مختلط و توزیع نرمال مختلط حاصل می‌شود و همچنین روش امتیاز شرطی پیشنهاد می‌شود. به علاوه‌، با انجام شبیه‌سازی آماری عملکرد این روش‌ها مورد مطالعه قرار می‌گیرند. هم‌چنین، تحلیل آماری مربوط به شکل تپه‌های ماسه‌ای اردستان، با فرض وجود خطای اندازه‌گیری در مشاهدات، انجام می‌شود.

---

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.

---

با توجه به تعریف کندال از شکل به‌عنوان نقطه‌ای در فضای اَبَر کره، در این مقاله مدل‌بندی رگرسیونی شکل در این فضا مورد مطالعه قرار می‌گیرد. همچنین به منظور سهولت در مدل‌بندی، روش مثلث‌بندی شکل با استفاده از دو نقطه شاخص خاص پیشنهاد می‌شود که عملکرد مناسبی در مقایسه با رویکردهای دیگر دارد. مثلث‌بندی نه‌تنها مدل‌بندی رگرسیونی شکل را آسان می‌نماید بلکه توانایی بازسازی ساختار هندسی اشیاء با استفاده از ابزارهای ساده محاسباتی را دارد. نوآوری روش پیشنهادی مقاله حاضر در استفاده از متغیر تبینی مبتنی بر شکل اشیاء است که تغییرات هندسی متغیر پاسخ را به‌خوبی توصیف می‌کند. مقایسه و ارزیابی روش پیشنهادی با مدل انطباق پروکراستس کامل بر اساس معیار مجموع توان دوم خطا انجام و عملکرد دو مدل در تحلیل داده‌های پیکربندی جمجمه موش‌های آزمایشگاهی مورد بررسی قرار می‌گیرد.

---

با توجه به سرعت بالای شیوع بیماری ناشی از ویروس کرونا به نظر می‌رسد انتقال این بیماری تا حد بسیار زیادی متاثر از موقعیت مکانی افراد آلوده به ویروس است. از زمان آغاز پاندمی، مدل‌های زیادی برای تحلیل زمان بقای بیماران مبتلا به این ویروس استفاده شده است. چون یکی از عوامل مهم خطر، همبستگی فضایی بین زمان‌های بقا است، برای وارد کردن این اثر در مدل بقا، عموماً از یک میدان تصادفی گاوسی استفاده می‌شود. اما فرض گاوسی بودن اثرات تصادفی به دلیل چولگی توزیع زمان بقای بیماران در عمل مطابق با واقعیت نیست. در این مقاله با در نظر گرفتن اثرات تصادفی چوله گاوسی یک مدل بقای فضایی جدید معرفی شده و با تعیین تابع درستنمایی، پارامترهای آن برآورد شده است. سپس در قالب یک مطالعه شبیه‌سازی عملکرد مدل پیشنهادی مورد ارزیابی قرار گرفته است. در خاتمه نحوه کاربست مدل معرفی شده برای تحلیل داده‌های زمان بقای بیماران مبتلا به کووید-19  ارائه شده است.

---

---

مدل اثرهای آمیخته از جمله ابزارهای قوی آماری است که برای مدل‌بندی ارتباط بین متغیر پاسخ و متغیرهای تبیینی در تحلیل داده‌هایی با ساختار سلسله مراتبی به‌کار می‌رود. زمانی‌که توزیع خطاها غیر نرمال باشد، برآوردگرهای به‌دست آمده در این  مدل‌ها با  استفاده از هر یک از روش‌های کمترین توان دوم خطاها و ماکسیمم درستنمایی  از  کارایی لازم برخوردار نیستند.  در این‌گونه مواقع می‌توان از مدل رگرسیون چندکی آمیخته به‌عنوان جایگزین استفاده کرد. به‌علاوه،  زمانی‌که تعداد متغیرهای مورد بررسی در این نوع مدل‌بندی افزایش می‌یابد، رگرسیون چندکی آمیخته تاوانیده یکی از بهترین روش‌ها برای افزایش دقت پیشگویی و تفسیرپذیری مدل است. در این مقاله  با در نظر گرفتن توزیع لاپلاس نامتقارن برای اثرهای تصادفی، یک مدل تاوانیده دوگانه به عنوان تابعی همزمان از اثرهای تصادفی و  پارامترهای مدل پیشنهاد می‌شود. سپس، عملکرد روش پیشنهادی با استفاده از مطالعه  شبیه‌سازی آماری مورد ارزیابی قرار گرفته و بحث راجع به  نتایج حاصل به همراه مقایسه با برخی مدل‌های رقیب ارائه می‌شود. به‌علاوه، کاربستی از آن در تحلیل یک مثال واقعی نمایش داده خواهد شد.

---

پیشرفت سرطان در بین بیماران را می‌توان از طریق ایجاد مجموعه‌ای از نشانگرهای ژن با روش‌های تحلیل آماری داده‌ها بررسی کرد. اما یکی از مشکلات اساسی در مطالعه آماری این نوع داده‌ها وجود تعداد زیاد ژن‌ها در مقابل تعداد کم نمونه‌هاست. بنابراین، استفاده از روش‌های کاهش ابعاد برای حذف و یافتن تعداد بهینه‌ای از ژن‌ها برای پیش‌بینی صحیح رده‌های موردنظر، امری ضروری است. از طرفی، انتخاب یک روش کاهش ابعاد مناسب، می‌تواند به استخراج اطلاعات ارزشمند و افزایش کارایی یادگیری کمک کند. در این پژوهش از رویکرد یادگیری دسته‌ای به نام دسته ماشین بردار پشتیبان تصادفی برای یافتن مجموعه ویژگی بهینه، استفاده می‌شود. در تحلیل داده‌های واقعی مقاله حاضر، نشان داده می‌شود با تبدیل داده‌های بُعد بالا به زیرفضاهایی با بُعد پایین‌تر و ترکیب مدل‌های ماشین بردار پشتیبان، علاوه بر یافتن مجموعه‌ای از ژن‌‌های موثر در بروز سرطان پروستات، دقت رده‌بندی نیز افزایش می‌یابد.

---

گاهی در عمل زمان تا وقوع یک رویداد می‌تواند متاثر از مکان باشد که این  نوع از مشاهدات داده بقای فضایی نامیده می‌شوند. برآورد سریع و دقیق پارامترها در مدل بقای فضایی بواسطه پیچیده بودن تابع درستنمایی یکی از چالش‌های استفاده از رویکرد فراوانی‌گرا است که همین امر استفاده از رویکرد بیزی در تحلیل بقا را پررنگ نموده است. در یک مدل بقای فضایی بیزی، همبستگی فضایی بین زمان‌های رویداد با استفاده از یک مدل زمین‌آماری تبیین می‌شود. در این  مقاله در قالب یک مطالعه شبیه‌سازی به برآورد پارامترهای مدل‌های کلاسیک و فضایی بقا پرداخته می‌شود و عملکرد هر کدام از مدل‌ها در برازش به داده‌های بقای شبیه‌سازی شده مورد ارزیابی قرار می‌گیرد. در نهایت نشان داده می‌شود که مدل بقای فضایی در تحلیل داده‌های سرطان خون کارایی بهتری نسبت به مدل‌های مرسوم دارد.

---

با توجه به حجم و پیچیدگی  داده‌های نوظهور در تحلیل بقا، بکارگیری روش‌های یادگیری آماری در این حوزه به امری اجتناب ناپذیر بدل شده است. این روش‌ها قادر به برآورد احتمال بقا و تأثیر عوامل مختلف بر بقا هستند. در این مقاله، عملکرد مدل کاکس به عنوان یک مدل رایج در تحلیل بقا با روش‌های مبتنی بر تاوان مانند کاکس ریج و لاسو و  روش‌های مبتنی بر یادگیری آماری مانند جنگل بقای تصادفی و شبکه عصبی مورد مقایسه قرار گرفته است. نتایج شبیه‌سازی‌ها در این مطالعه نشان می‌دهد که در شرایط وجود رابطه خطی بین متغیرها، عملکرد مدل‌های مذکور تقریباً مشابه مدل کاکس است اما در حالات غیرخطی و بالا بودن بعد متغیرها، روش‌هایی مانند کاکس لاسو، جنگل بقای تصادفی و شبکه عصبی عملکرد بهتری دارند. درنهایت به منظور ارزیابی عملکرد این مدل‌ها در تحلیل داده‌های بیماران مبتلا به آترواسکلروز مورد استفاده قرار گرفتند و نتایج نشان داد که در مواجهه با داده‌هایی با تعداد متغیرهای تبیینی زیاد، رویکردهای یادگیری آماری به طور کلی عملکرد بهتری نسبت به مدل‌های کلاسیک تحلیل بقا دارند.

---

توزیع لاپلاس چندمتغیره یک مدل تصادفی مهم است که عدم تقارن و دم‌های  سنگین‌تر از  توزیع گاوسی را به حساب می‌آورد.  در این مقاله، مدل رگرسیون فضایی خودبازگشتی و میانگین متحرک مرتبه دو برای مدل‌بندی برآمدهای یک میدان تصادفی فضایی که از توزیع چوله-لاپلاس تعمیم‌یافته چندمتغیره پیروی می‌کنند ارائه خواهد شد.  پارامترهای مدل با روش‌‌های ماکسیمم درستنمایی و حداکثر فاصله  و استفاده از  معیار  واگرایی کولبک-لایبلر برآورد می‌شوند. آنگاه براساس مدل ارائه شده  پیشگوی فضایی بهینه ارایه خواهد شد. سپس یک مطالعه شبیه‌سازی برای اعتبارسنجی و ارزیابی عملکرد مدل پیشنهادی انجام می‌شود. آنگاه نحوه کاربست این مدل در تحلیل مجموعه داده‌های واقعی زمین‌شناسی نشان داده می‌شود.