---

---

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.

---

---

 

---

---

در اکثر آمارگیری‌ها، پرسش مشاغل و فعالیت‌ها از طریق پرسش‌های باز سوال می‌شود و کدگذاری این اطلاعات به هزاران رده به روش دستی صورت می‌گیرد که بسیار زمان‌بر و پرهزینه است. با توجه به ضروریات مدرن‌سازی نظام آماری کشورها، امروزه استفاده از روش‌های یادگیری آماری در آمار رسمی برای داده‌های اولیه و  ثانویه ضروری است. همچنین، روش‌های رده‌بندی یادگیری آماری در فرایند تولید آمار رسمی بسیار کاربرد دارد. هدف این مقاله، کدگذاری برخی فرایندهای آمارگیری‌ها با روش‌های یادگیری آماری و آشنایی مدیران در مورد امکان استفاده از روش‌های یادگیری آماری در تولید آمارهای رسمی است. دو کاربرد از روش‌های یادگیری آماری رده‌بندی شامل کدگذاری خودکار رشته فعالیت‌های اقتصادی و کدگذاری پرسش‌های باز پرسشنامه‌های مراکز آماری با چهار روش تکرار، روش ترکیبی ماشین بردار پشتیبان با ترکیب مدل‌ها در سطوح مختلف تجمیع، ترکیب روش تکرار و ماشین بردار پشتیبان و روش نزدیکترین همسایه روی داده‌های آمارگیری از کارگاه‌های صنعتی ایران انجام شده 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. 

---

---

در مدل سطح ناحیه  یا فی-هریوت که پرکاربردترین مدل در برآورد کوچک ناحیه‌ است،  معمولاً فرض می‌شود که اثرهای تصادفی خاص هر ناحیه و خطاهای نمونه‌گیری دارای توزیع نرمال هستند. اما مقدارهای خیلی بزرگ یا خیلی کوچک از مولفه‌های خطا باعث عملکرد ضعیف  برآوردهای کوچک ناحیه‌ای بر اساس روش‌های برآورد کوچک ناحیه‌ای موجود می‌شوند. برای رفع این مشکل در این مقاله  برای مولفه‌های خطا توزیع α-پایدار متقارن جایگزین توزیع نرمال می‌شود و با رهیافت بیز تجربی پارامترهای کوچک ناحیه‌‌ها برآورد می‌شوند. با استفاده از شبیه‌سازی و تحلیل داده‌های واقعی به مقایسه مدل جدید ارائه شده با  روش بیز تجربی در مدل کلاسیک بر اساس  نرمال بودن مولفه‌های خطا و روش‌های‌ استوار بر اساس رهیافت بیز تجربی پرداخته و کارایی مدل پیشنهادی در برآورد دقیق پارامترهای کوچک ناحیه‌، به خصوص وقتی مولفه‌های خطا هر دو نرمال یا هر دو دارای توزیع دم‌بلند هستند، نشان داده می‌شود.

---

تعیین بهترین پیشگوی فضایی برای مقادیر گمشده یکی از مسائل مهم در آمار فضایی به‌شمار می‌رود. در این راستا روش‌های مختلفی مطرح شده است که هر کدام از آن‌ها دارای مزیت و محدودیت‌هایی در کاربرد هستند. بر اساس روش کریگیدن بهترین پیشگوی خطی به‌دست می‌آید، اما این روش  برای میدان تصادفی گاوسی مناسب است. نامشخص بودن توزیع میدان تصادفی، محققین را ملزم به استفاده از روش‌هایی می‌کند که بر اساس آن‌ها امکان پیشگویی ناگاوسی میسر شود. در این مقاله با استفاده از قضیه تصویر یک روش ناپارامتری برای پیشگویی میدان تصادفی ارایه می‌شود  و بر مبنای آن  پیشگوی میدان‌ ناگاوسی بر اساس نزدیکترین همسایه‌ها معرفی  می‌شود. در ادامه در یک مطالعه شبیه‌سازی میزان دقت  این روش مورد ارزیابی قرار می‌گیرد. در پایان نیز نحوه کاربست روش‌ معرفی شده در پیشگویی داده‌های بارندگی در استان خوزستان نشان داده می‌شود.

---

---

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. 

---

توجه به تابع مفصل به منظور مدل‌سازی ساختار وابستگی داده‌ها در دهه‌های اخیر بسیار رایج شده است. سه روش گشتاوری، ترکیبی و گشتاور مفصل برای برآورد پارامتر وابستگی تابع مفصل در حضور داده دورافتاده در این مقاله مورد نظر است. هرچند روش گشتاوری یک روش قدیمی است، اما گاهی اوقات این روش منجر به برآورد نامناسبی می‌گردد. در نتیجه، دو روش دیگر برآورد پارامتر بر پایه گشتاوری برای بهبود برآورد پارامتر در نظر گرفته شده‌اند. نتایج مطالعه شبیه‌سازی نشان داد که وقتی از روش گشتاور مفصل و روش ترکیبی برای مفصل در حضور داده دورافتاده استفاده می‌کنیم، میانگین مربع خطای به دست آمده کوچک‌تر است. همچنین روش گشتاور مفصل بهترین برآورد براساس میانگین مربع خطا است. در نهایت، نتایج عددی به دست آمده در یک مثال کاربردی به کار گرفته می‌شود.

---

---

با ظهور مِه‌داده‌ها در دو دهۀ گذشته، به منظور بهره‌برداری و استفاده از این نوع داده‌ها، نیاز به یکپارچه‌سازی پایگاه‌داده‌ها با هدف تصمیم‌گیری براساس شواهد و اطلاعات قوی‌تر، بیش از پیش احساس می‌شود. لذا آشنایی با روش‌‌شناسی اتصال رکوردی به عنوان یکی از روش‌های یکپارچه‌سازی داده‌ها و همچنین استفاده از روش‌های یادگیری ماشین برای سهولت فرآیند اتصال رکوردها ضروری است. در این مقاله، ضمن تشریح فرایند اتصال رکوردی و برخی روش‌های مرتبط با آن، با استفاده از روش‌های یادگیری ماشین، برای افزایش سرعت یکپارچه‌سازی پایگاه‌داده‌ها، کاهش هزینه و بهبود عملکرد اتصال رکوردی، دو پایگاه‌دادۀ چارچوب کارگاه‌های صنعتی مرکز آمار ایران و سازمان تامین اجتماعی به یکدیگر متصل شده‌اند. 

---

---

روش تحلیل مجموعه ی مقادیر تکین  (SSA(   یک روش   ناپارامتری قدرتمند  درحوزه­ ی  تحلیل  سری­های  زمانی بوده و به دلیل دارا بودن ویژگی‌هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA  تجزیه سری­های زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر  تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی  در جهت بهبود این روش خصوصاٌ در زمینه­ ی پیش بینی سری های زمانی  صورت گرفته است.   در این مقاله روش جدیدی برای بهبود پیش بینی روش  SSA  با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA    با روش  SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد.  برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است.  نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است.

---

در این مقاله،  به منظور مدل‌سازی داده‌های سری زمانی گسسته‌مقدار، فرایند خودبازگشتی گسسته‌مقدار جدید بر اساس توزیع‌ نمایی-وایبل گسسته معرفی شده است.  
نظر به اهمیت توزیع‌های گسسته در مدل‌سازی داده‌های شمارشی، همتای گسسته توزیع نمایی-وایبل معرفی و برخی ویژگی‌های آماری آن از قبیل تابع ﺑﻘﺎ، ﻧﺮخ ﺧﻄر، تابع مولد گشتاور، چولگی و کشیدگی بررسی می‌شود.  شاخص‌های پراکندگی فیشر، چولگی و کشیدگی، بیانگر انعطاف‌پذیری و کارایی توزیع نمایی-وایبل گسسته در برازش انواع مختلف داده‌های شمارشی است. توزیع نمایی-وایبل گسسته، برازش داده‌هایی با ویژگی‌های مختلف پراکندگی (کم‌پراکندگی، بیش‌پراکندگی و همسان)، دم راست بلند (چوله به راست) و دم سنگین را پوشش می‌دهد. پارامترهای مدل با استفاده از سه رویکرد ماکسیمم درستنمایی شرطی، کمترین توان‌های دوم شرطی تعمیم‌یافته و یول-واکر  برآورد شده است. در پایان، کارایی و برتری فرایند مدنظر در برازش داده‌های تعداد فوت ناشی از بیماری COVID-19 نیز، در مقایسه با سایر مدل‌های رقیب بررسی می‌شود.

 

---

برای تحلیل روابط بین متغیرها در جدول‌های پیشایندی سه طرفه، آزمون‌های مختلفی وجود دارد که بیشتر این آزمون‌ها  مجانبی هستند و در تحلیل جداولی با فراوانی‌های کوچک کارایی کافی را ندارند. در این مقاله در رویکردی جدید با استفاده از استقلال شرطی و همچنین  بکارگیری آزمون دقیق فیشر، جدول‌های پیشایندی سه طرفه  تحلیل می‌شوند. نشان داده می‌شود انواع ‌‌استقلال که در مدل‌های لگ خطی مورد بررسی قرار می‌گیرند را می‌توان بدون  استفاده از این مدل‌ها و تنها با بکارگیری استقلال شرطی و آزمون‌های استقلال دو متغیر  بررسی کرد، به این ترتیب تحلیل جدول‌های پیشایندی با فراوانی کوچک نیز امکان‌پذیر می‌گردد. در انتها با ارائه چند مثال واقعی این بحث تشریح می‌شود.