---

 معمولا در مسائل با بعد بالا، وقتی تعداد متغیرها بیشتر از تعداد مشاهدات است، برآوردگرهای جریمه شده بر پایه روش‌های انقباضی از دیدگاه خطای پیشگویی پاسخ، از کارایی بهتری نسبت به برآوردگر کمترین توان‌های دوم در برآورد ضرایب رگرسیونی برخوردار هستند. در این برآوردگرها پارامتر تنظیم کننده یا انقباضی نقش اساسی در انتخاب متغیر و برآورد پارامترها بازی می‌کند. برآوردگر انقباضی بریج، برآوردگری است که با تغییر پارامتر تنظیم کننده آن می‌توان به برآوردگرهای معروف ریج و لاسو دست یافت. در این مقاله برآوردگر انقباضی بریج را، با اعمال یک قید خطی روی بردار ضرایب رگرسیونی، به‌دست آورده سازگاری آن اثبات می‌شود. به علاوه در قالب یک مطالعه شبیه‌سازی و مثال واقعی کارایی آن از دیدگاه میانگین توان دوم خطا مورد ارزیابی قرار می‌گیرد‎.

---

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.

---

---

در این مقاله، به بررسی بدترین تخصیص‌ کسری‌پذیر‌ها و حدها در بیمه‌نامه‌های لایه‌ای از منظر بیمه‌گر پرداخته می‌شود. اگر n ریسک‌ مستقل و هم‌توزیع نمایی تحت پوشش بیمه‌نامه لایه‌ای قرار گیرند و مقدار حدها برابر باشند، نشان داده می‌شود بدترین تخصیص کسری‌پذیری از نگاه بیمه‌گر بردار (d,0, ..., 0) 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.

---

---

---

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.

---

 

---

---

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. 

---

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.

---

---

این مقاله برآوردگرهای انقباضی نوع-لیو را برای ضرایب مدل رگرسیونی خطی با حضور هم‌خطی چندگانه تحت اﻃﻼﻋﺎت زیﺮﻓﻀﺎ پیشنهاد می‌دهد. عملکرد برآوردگرهای معرفی شده از نظر کارایی نسبی آن‌ها از طریق شبیه‌سازی مونت کارلو و یک مجموعه داده واقعی با برآوردگر نوع-لیو مقایسه می‌شود. نتایج آشکار می‌کنند که برآوردگرهای معرفی شده نسبت به برآوردگر نوع-لیو عملکرد بهتری دارند.

---

قابلیت تفسیر پذیری بالا و سادگی فهم درختان تصمیم، آنها را به یکی از پرکاربرد ترین الگوریتم
های یادگیری ماشین تبدیل کرده است. موضوع کلیدی در ساخت درختان تصمیم کارامد و موثر، بکارگیری
روش انشعاب مناسب است. این مقاله یک روش انشعاب جدید جهت تولید درخت مبتنی بر معیار تی‑
آنتروپی برای نقطه انشعاب پیشنهاد می کند. روش ارایه شده روی سه مجموعه داده توسط ۱۱ معیار
ارزیابی، مورد بررسی قرارگرفته است. نتایج نشان می دهد که روش معرفی شده در ساخت درخت تصمیم
نسبت به روش های معروف شاخص جینی، آنتروپی های شانون، تیسالیس و رنی عملکرد دقیقتری دارد
و می تواند به عنوان روش جایگزین در تولید درخت تصمیم مورد استفاده قرار گیرد.

---

اگر چه طرح نمونه‌گیری تعویقی چندگانه به دلیل نیاز به اندازه نمونه کم نسبت به طرح‌های غیرشرطی اولویت دارد، اما به‌کارگیری آن در شرایطی که کیفیت محصولات تولیدی به بیش از یک مشخصه کیفیت بستگی دارد، امکان‌پذیر نیست. در این مطالعه، به منظور بهبود عملکرد طرح مذکور، طرح نمونه‌گیری تعویقی چندگانه مبتنی بر اندیس کارایی S^T_{pk} پیشنهاد می‌شود که قابلیت اجرا برای بازرسی محصولات تولیدی با مشخصه‌های کیفیت نرمال چندمتغیره و مستقل را دارد. در ادامه، برای توسیع دامنه کاربرد طرح پیشنهادشده در حضور متغیرهای وابسته، از تکنیک آنالیز مؤلفه‌های اصلی استفاده می‌شود. همچنین بر اساس مسئله بهینه‌سازی غیرخطی، جداول مقادیر بهینه پارامترهای طرح برای استفاده کاربران طراحی می‌شود. یافته‌ها حاکی از آن است که تحت شرایط یکسان، طرح پیشنهادی نسبت به طرح نمونه‌گیری ساده و گروهی مکرر مبتنی بر اندیس کارایی S^T_{pk}، به دلیل قدرت تشخیص بالا، کاهش در زمان و هزینه بازرسی مقرون به‌صرفه است. در پایان، چگونگی اجرای طرح پیشنهادی با ارائه یک مثال از داده‌های واقعی صنعتی تشریح می‌شود.

---

در دهه 1980، جِنیچی تاگوچی یک مشاور کنترل کیفیت ژاپنی، خاطر نشان کرد که بسیاری از تغییرات مرتبط با پاسخ را می‌توان به وجود مجموعه‌ای از عوامل به نام عوامل غیرقابل کنترل (نوفه) نسبت داد. به هر حال، در برخی موارد کاربردی، پیشنهاد مدل‌سازی او منجر به بهبود کیفیت با تعداد زیادی اجرا در یک آرایه متقاطع می شود. از این رو، بسیاری از محققین جنبه‌های مهم روش رویه پاسخ را توام با روش طراحی پارامتر استوار به عنوان جایگزینی مناسب برای روش تاگوچی پذیرفته‌اند. این روش‌های جایگزین، میانگین و واریانس پاسخ مربوط به ترکیب عوامل کنترل و نوفه را در یک آرایه ترکیبی برای انجام یک فرآیند یا تولید استوار مدل‌سازی می‌کنند. در واقع، استفاده از روش‌های رویه پاسخ با طراحی پارامتر استوار برای به حداقل رساندن تأثیر عوامل نوفه در فرآیندهای مونتاژ یا تولید استفاده می‌شود. هدف این مقاله توسعه بیشتر مدل‌سازی پاسخ و واریانس پیش‌بینی‌شده در حضور عوامل نوفه بر اساس برآوردگرهای نااریب و استوار است. بعلاوه، هدف دیگر طراحی آزمایش‌ها بر اساس طرح‌های بهینه برای بهبود همزمان درستی و دقت این برآوردگرها است.
 

---

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.

---

تولید محصولات با کیفیت بالا نیازمند شناسایی مهم­‌ترین عامل‌ها برای کنترل و کاهش تغییرات پارامتر کیفیت است. به این منظور، طرح‌‌ عاملی امکان به­‌کارگیری عامل‌های مختلف آزمایشی را برای جمع‌آوری اطلاعات فراهم می‌سازد. طرح‌ عاملی پارامتر-استوار با تفکیک عامل‌ها به عامل‌های کنترل و اغتشاش، ابزار مناسبی برای بهبود کیفیت قبل از تولید از طریق پایدارسازی متغیر پاسخ (کیفیت) نسبت به تغییرات ناشی از عامل اغتشاش است. با این وجود، مزیت طرح پارامتر-استوار زمانی آشکار می‌شود که اثر متقابلی بین عامل‌های کنترل و اغتشاش وجود داشته باشد. برای مطالعه و بررسی وجود این اثرات، معمولاً از طرح‌های عاملی کسری استفاده می‌­شود که نیازمند اجرای تعداد زیادی آزمایش هستند. در این مقاله برای صرفه‌جویی در اجراهای آزمایش‌، استفاده از طرح‌های کاوش پیشنهاد می‌شود. برای تعیین طرح کاوش برتر معیارهای مختلفی وجود دارد اما برای طرح‌های پارامتر-استوار قابل استفاده نیستند؛ بنابراین در این مقاله ابتدا معیار مناسب برای مقایسه طرح‌های پارامتر-استوار و تعیین طرح برتر معرفی و عملکرد آن در این طرح‌ها بررسی می‌شود.

---

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.