---

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.

---

در این مقاله، برآوردگر ریج،  برآوردگر محدود شده موزون  و برآوردگر ریج محدود شده موزون در مدل‌های خطی آمیخته با خطا در اندازه‌گیری در حضور هم‌خطی در نظر گرفته می‌شود. سپس ویژگی‌های مجانبی برآوردگرهای به‌دست آمده بررسی می‌شود. شرایط لازم و کافی برای برتری برآوردگر ریج محدود شده موزون نسبت به برآوردگر محدود شده موزون به منظور تعیین پارامتر ریج با استفاده از ماتریس میانگین توان‌های دوم خطا تعیین می‌شود و سرانجام با استفاده از مطالعه شبیه‌سازی و ارائه یک مثال از داده‌های واقعی عملکرد برآوردگرهای به‌دست آمده مورد ارزیابی قرار می‌گیرد.

---

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.

---

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.

---

خوشه‌بندی مبتنی بر مدل   پرکاربردترین روش خوشه‌بندی آماری  است، که در آن داده‌های ناهمگن با استفاده از استنباط بر اساس مدل‌های آمیخته به گروه‌هایی همگن تقسیم می‌شوند. وجود خطای اندازه‌گیری در داده‌ها می‌تواند کیفیت خوشه‌بندی را کاهش  و به عنوان مثال، موجب بیش‌برازشی و تولید خوشه‌های جعلی شود. برای رفع این مشکل،  خوشه‌بندی مبتنی بر مدل با فرض توزیع نرمال برای خطای اندازه‌گیری معرفی شده است. با وجود این، مقدارهای خیلی بزرگ یا خیلی کوچک (دورافتاده) از خطاهای اندازه‌گیری  باعث  عملکرد ضعیف  روش‌های خوشه‌بندی  موجود می‌شوند. برای رفع این مشکل و ساختن یک مدل استوار نسبت به حضور خطاهای اندازه‌گیری دورافتاده در داده‌ها، در این مقاله برای خطای اندازه‌گیری  توزیع آلفا-پایدار  متقارن جایگزین توزیع نرمال می‌شود و با استفاده از الگوریتم EM و  روش‌های عددی، پارامترهای   مدل  برآورد می‌شوند. با استفاده از شبیه‌سازی و تحلیل داده واقعی  به مقایسه مدل جدید ارائه شده با  روش خوشه‌بندی مبتنی بر مدل با روش MCLUST، در حالت‌های با و بدون خطای اندازه‌گیری پرداخته و کارایی مدل پیشنهادی برای خوشه‌بندی داده‌ها در حضور انواع خطاهای اندازه‌گیری دورافتاده،  نشان داده می‌شود.

---

 استفاده از اندازه‌های ریسک دُمی در دهه‌های اخیر بخصوص در صنعت مالی و بانکداری مورد توجه قرار گرفته است. متداولترین آنها ارزش در معرض خطر و ریزش مورد انتظار  هستند.  اخیراً نیز اندازه ریسک دُمی ریزش جینی معرفی شده است، که یک اندازه ریسک ترکیبی است. هدف اصلی این مقاله یافتن ارتباط بین مفاهیم اندازه‌های ریسک دُمی بخصوص ریزش مورد انتظار و ریزش جینی با مفاهیم شاخص‌های نابرابری در اقتصاد و قابلیّت اعتماد است. بررسی ارتباط بین این مفاهیم این امکان را به محقق می‌دهد، که از مفاهیم یکی برای بررسی مفاهیم دیگری استفاده کند. علاوه بر این روابط ریاضی موجود بین  اندازه‌های ریسک دُمی و شاخص‌های مذکور بدست آمده است و برای بعضی از توزیع‌‌ها، این روابط محاسبه شده است. در نهایت برای درک بهتر و آشنایی بیشتر با مفاهیم اندازه‌های ریسک دُمی، از داده‌های واقعی بورس ایران استفاده شده است.

---

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.

---

ریسک سیستمی، به عنوان یکی از چالش‌های نظام مالی، توجه ویژه‌ای را از سوی سیاست‌گذاران و  سرمایه‌گذاران و محققان به خود جلب کرده است. شناسایی و ارزیابی ریسک سیستمی، جهت افزایش ثبات مالی نظام بانکی اهمیت زیادی دارد. بدین منظور، در این مقاله از روش ارزش در معرض خطر شرطی، جهت ارزیابی ریسک سیستمی برای داده‌های شبیه‌سازی شده و داده‌های نظام بانکی ایران استفاده شده است که در آن میانگین شرطی و واریانس شرطی به ترتیب با مدل‌های 
اتورگرسیو میانگین متحرک و اتورگرسیو مشروط بر ناهمسانی واریانس تعمیم یافته مدل‌سازی شده‌اند. داده‌های مورد مطالعه قیمت روزانه سهام 17 بانک ایران، در بازه زمانی 19 فروردین 1398 تا 11 اردیبهشت 1402 است که شامل مقادیر گمشده در برخی بازه‌های زمانی است. درون‌یابی مقادیر گمشده، با رهیافت صافی کالمن انجام شده است. از توابع مفصل خوشه‌ای که ساختار درختی سلسله مراتبی دارند، برای تشریح وابستگی غیرخطی و سلسله مراتب سرایت ریسک سیستمی بانک‌های مورد مطالعه استفاده شده است. نتایج این مطالعه نشان می‌دهد که بانک تجارت دارای بیشترین ریسک سیستمی است. افزایش ریسک سیستمی علاوه بر وقوع بحران مالی، آثار نامطلوبی بر عملکرد اقتصاد کلان دارد. این نتایج می‌تواند به پیش‌بینی و کاهش اثرات بحران‌های مالی  و مدیریت آن کمک شایانی کند. 

---

ماشین بردار پشتیبان به عنوان یک الگوریتم با نظارت در ابتدا برای حالت دودویی ابداع شد، سپس به علت کاربردهای آن، الگوریتم های چند-کلاسه نیز طراحی شدند و همچنان به عنوان یک پژوهش در حال بررسی است. اخیرا مدل‌هایی برای بهبود روش‌های چند-کلاسه ارائه گردیده است. اغلب آن‌ها حالتی را بررسی می‌کنند که در آن ورودی‌ها غیرتصادفی هستند در حالی که در دنیای واقعی با داده‌های غیرقطعی و نادقیق مواجه هستیم. لذا در این مقاله به بررسی مدلی پرداخته شده است که در آن ورودی‌ها تصادفی و محدودیت‌های مسئله نیز احتمالی هستند. با استفاده از قضایای آماری و با استفاده از امیدریاضی، محدودیت‌های مسئله از حالت احتمالی خارج شده است. سپس از روش برآورد گشتاوری، برای برآورد امیدریاضی استفاده شده است. با استفاده از شبیه‌سازی مونت کارلو به تولید داده‌های مصنوعی پرداخته و از روش بازنمونه‌گیری بوت استرپ نمونه‌ها را به عنوان ورودی به مدل داده و دقت مدل مورد بررسی قرار گرفته است. در نهایت مدل پیشنهادی را با داده‌های واقعی آموزش داده و دقت آن با شاخص‌های آماری ارزیابی شده است. نتایج حاصل از شبیه‌سازی و مثال واقعی برتری کارایی مدل پیشنهادی را بر مدل‌های مبتنی بر ورودی‌های قطعی نشان می‌دهد.

---

نحوه برخورد با داده‌های گم‌شده یکی از مسائلی است که اغلب محققان با آن روبرو هستند. جانهی چندگانه با استفاده از معادله‌های زنجیره‌ای یکی از رایج‌ترین و انعطاف‌پذیرترین روش‌ها برای جانهی است.  از دیدگاه تئوری، هر مدل جانهی می‌تواند  برای پیش‌بینی مقادیر داده‌های گم‌شده استفاده شود اما اگر مدل‌های پیشگویی نادرست باشند می‌تواند منجر به برآوردهای اریب و استنباط‌های نامعتبر شود. یکی از جدیدترین راه‌حل‌ها برای برخورد با داده‌های گم‌شده، روش‌ ترکیبی یادگیری ماشین و ابریادگیرنده است. در این مقاله،  چند شبیه‌سازی‌ برای نشان دادن رویکرد بهتر این روش از نظر اریبی کمتر و همگرایی بهتر برآورد پارامتر نهایی نسبت به  روش‌های جانهی رایج ارائه شده است.  همچنین، به پیاده‌سازی برخی روش‌های یادگیری ماشین و یک الگوریتم ترکیبی از ابریادگیرنده، روی داده‌های کارگاه‌های صنعتی  پرداخته شده است که در آن جانهی متغیرهای مختلف در داده‌ها به‌طور همزمان صورت می‌گیرد. همچنین به ارزیابی روش‌های مختلف  و معرفی روش دارای عملکرد برتر، پرداخته شده است.

---

در این مقاله، طرح‌ بازرسی چندبار نمونه‌گیری پذیرش انباشته‌ها تحت سانسور نوع اول وقتی طول عمر محصولات دارای توزیع q-نمایی تی سالیس باشد مورد بررسی قرار می‌گیرد. طرح بازرسی چندبار نمونه‌گیری، معرفی شده و مولفه‌های آن به همراه متوسط تعداد نمونه بهینه و مقدار مشخصه عملکرد طرح، تحت مقادیر مشخص پارامتر توزیع و مخاطره‌های مصرف‌کننده و تولید‌‌کننده با استفاده از یک مساله برنامه‌ریزی غیرخطی محاسبه می‌شوند. مقایسه نتایج طرح معرفی شده با طرح بازرسی یک بار نمونه‌گیری بهینه، نشان‌دهنده کارایی طرح چندبار نمونه‌گیری نسبت به طرح یک‌بار نمونه‌گیری است. همچنین طرح چندبار نمونه‌گیری با محدودیت ترکیب خطی از مخاطره تولیدکننده و مصرف‌کننده معرفی شده و با طرح موجود مقایسه می‌شود. نتایج طرح معرفی شده در قالب جداول و نمودارها نشان می‌دهد که این طرح دارای ASN کمتر و در نتیجه کارایی بیشتری در مقایسه با طرح موجود است. از یک مثال کاربردی در صنعت نساجی برای کاربست نتایج طرح‌های معرفی شده استفاده می‌شود.