---

موضوع تشخیص  نقطه تغییر یکی از چالش برانگیزترین مسایل آماری است، زیرا تعداد و موقعیت زمانی این نقاط ناشناخته هستند. در این مقاله ابتدا به معرفی مفهوم    نقطه تغییر پرداخته و سپس برآورد پارامترها در مدل اتورگرسیو مرتبه اول  AR(1) بررسی می‌شود. به‌منظور بررسی دقت برآوردگرهای بدست آمده یک مطالعه شبیه‌سازی انجام داده و در ادامه دقت و سازگاری برآوردگرها به کمک MSE  مورد بررسی قرار  می‌گیرد. نتایج شبیه‌سازی نشان دهنده سازگاری برآوردگر پارامترهای مدل است، به این معنا که با افزایش حجم نمونه میانگین مربع خطای برآورد پارامترهای مختلف به صفر میل می‌کند. در ادامه مدل  AR(1) با نقطه تغییر به داده‌های نرخ تورم سالانه (از سال 1323 تا 1401) برازش داده و به کمک آن نرخ تورم برای سال 1402و 1403  پیش‌بینی می‌شود.

---

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.

---

  رویدادهای  یک نهاد مالی می‌توانند بر سیستم مالی سایر نهادها  اثر بگذارند،  به همین دلیل ریسک سیستمی که تاثیر بحران  یک نهاد بر  سایر نهادها را بررسی می‌کند، مورد توجه تحلیل‌گران ریسک قرار دارد و از مهم‌ترین  رو‌ش‌های اندازه گیری آن  معیارهای  ارزش در معرض خطر شرطی و کمبود مورد انتظار شرطی است. اگر بین بازدهی دو نهاد مالی وابستگی وجود داشته باشد، می‌توان از توابع مفصل برای بررسی ساختار وابستگی بین آن‌‌ها استفاده کرد. از آنجا که داده‌های  بازدهی  اکثر اوقات  مشاهده می‌شوند در طی زمان دارای نوسانات ناپایدارند، می‌توان از مدل‌های سری زمانی آرما-گارچ برای مدل‌بندی تغییرپذیری نیز استفاده کرد. در این مقاله ارزش در معرض خطر شرطی  برای  چهار  تابع مفصل ارزیابی  سپس بر اساس آن کمبود مورد انتظار شرطی در مدل‌های آرما-گارچ دارای توزیع مانده‌های  خطای تعمیم‌یافته، برآورد شده است. سپس این دو معیار  با بازدهی دو بانک تجارت و  ملت  محاسبه می‌شود.‌

---

تعیین حجم نمونه در نمونه‌گیری غیراحتمالی، به دلیل نبود مبانی ریاضی احتمالی، همواره چالشی اساسی بوده است. این مقاله با معرفی چارچوب نوین تعیین حجم نمونه مبتنی بر اهداف مدل‌سازی و قدرت پیش‌بینی، پارادایم استنتاج را از جمعیت‌مبنا به مدل‌‌مبنا تغییر می‌دهد. در این رویکرد، حجم نمونه بر اساس حداقل اندازه لازم برای بهینه‌سازی عملکرد مدل، تشخیص روابط معنادار و دستیابی به پیش‌بینی تعمیم‌پذیر تعریف می‌شود. چارچوب پیشنهادی با تلفیق شبیه‌سازی پیشرفته و تحلیل توان آماری، و با اتکا به بسته‌های تخصصی نرم‌افزار R، راهکاری نظام‌مند و عملی برای ارتقای اعتبار و استانداردسازی پژوهش‌های غیراحتمالی ارائه می‌کند. اگرچه مطالعه شبیه‌سازی کارایی این روش را در سناریویی واقع‌گرایانه نشان می‌دهد، اما وابستگی آن به داده‌های کمکی معتبر و دانش پیشین از پارامترهای مدل، محدودیت اصلی کاربرد آن به شمار می‌رود.

---

در چشم‌انداز وسیع تحلیل داده‌های مدرن، مواجهه با داده‌های شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار می‌رود. مدل‌های کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان می‌دهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدل‌های رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشته‌اند، اما کارایی آن‌ها در عصر داده‌های بزرگ و با ابعاد بسیار بالا، با محدودیت‌های جدی روبه‌رو است. این پژوهش، با نگاهی فراتر از چارچوب‌های سنتی، چارچوبی نوین مبتنی بر شبکه‌های عصبی عمیق را برای تقویت و متحول ساختن مدل‌های رگرسیون پواسون آماسیده در صفر معرفی می‌کند. این رویکرد ترکیبی، با بهره‌گیری از قدرت بی‌نظیر یادگیری عمیق در استخراج ویژگی‌های غیرخطی و پیچیده، قادر است فرایند دوگانه تولید داده‌ها (فرایند تولید صفر و فرایند شمارش) را با دقتی بی‌سابقه مدل‌سازی کند. نتایج حاصل از شبیه‌سازی‌های گسترده و کاربرد بر روی مجموعه داده‌های واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار می‌سازد.