---

یکی از پرکاربردترین مباحث آماری، مسایل رگرسیونی است. در مسایل رگرسیونی فرض اساسی بر روی خطاها، نرمال بودن آنهاست که این فرض در برخی موارد به سبب وجود ویژگی‌های عدم تقارن یا مکان‌های شکست در داده‌ها برقرار نمی‌باشد. مدل‌ رگرسیون تکه‌ای یکی از راه‌های برون رفت در شرایط نرمال نبودن خطاهاست که  به‌طور گسترده در حوزه‌های مختلفی به کار گرفته شده‌اند، که در آن‌ها تشخیص نقطه شکست مهم است و مکان‌های شکست در مدل‌های رگرسیون تکه‌ای برای دانستن زمان و چگونگی تغییر الگوی ساختار داده ضروری است. یکی از مشکلات عمده در این داده‌ها وجود دم سنگینی است که با استفاده از برخی توزیع‌ها که به عنوان تعمیمی از توزیع نرمال هستند این مشکل برطرف شده است. در این مقاله بر اساس توزیع مخلوط مقیاسی نرمال، مدل رگرسیونی تکه‌ای مورد بررسی قرار خواهد گرفت که می‌توان به جای نرمال با به کار گیری تعمیم‌هایی از توزیع نرمال این مشکل را برطرف نمود. همچنین این مدل با مدل رگرسیون تکه‌ای استاندارد که برگرفته از خطاهای نرمال است مورد مقایسه قرار خواهد گرفت.

---

رده‌بندی داده‌های شکل یکی از مسائل مهم در تحلیل آماری اشکال و یادگیری ماشین است. در این مقاله، یک مدل رگرسیون چندجمله‌ای لوژستیک بر اساس توصیف‌گرهای شکل برای رده‌بندی پیکربندی‌های برچسب‌دار معرفی شده است. در این مدل، متغیرهای توضیحی شامل مجموعه‌ای از توصیف‌گرهای هندسی مانند مساحت، کشیدگی، تحدب و دایره‌ای بودن بوده و متغیر پاسخ نشان‌دهنده‌ی رده هر پیکربندی است. استفاده از این توصیف‌گرها امکان حفظ اطلاعات هندسی ضروری را فراهم کرده و دقت رده‌بندی را بهبود می‌بخشد. مدل پیشنهادی در این مقاله با استفاده از داده‌های شبیه‌سازی‌شده و مجموعه داده‌های واقعی مورد ارزیابی قرار گرفته است.  نتایج حاصل نشان دهنده‌ی عملکرد مناسب مدل است. علاوه‌بر این، روش پیشنهادی با یکی از  روش‌های موجود در نوشتگان مقایسه شد و نتایج حاکی از برتری آن در دو معیار دقت رده‌بندی  و سادگی محاسباتی بود.

---

در پژوهش‌های آماری، طرح‌های آزمایش، برای بررسی اثر متغیرهای کنترل بر پاسخ‌های خروجی به‌کار می‌روند. این روش‌ها مبتنی بر فرض نرمال‌بودن توزیع داده‌ها بوده و در مواجهه با نقاط دورافتاده با چالش‌های اساسی مواجه می‌شوند. مطالعه حاضر به مقایسه پنج رویکرد مختلف علاوه بر روش کلاسیک طرح آزمایش برای مقابله با این چالش می‌پردازد: روش‌های مقاوم‌سازی شامل هوبر، دو مربعی، میانگین جایگزین،  رتبه‌بندی و رگرسیون فازی.  با ارائه شواهد تجربی از داده‌های واقعی رشد گیاهچه و کیفیت جوشکاری، نشان داده می‌شود رگرسیون فازی می‌تواند به‌عنوان جایگزینی کارآمد برای روش‌های متداول در شرایط وجود نقاط دورافتاده مورد استفاده قرار گیرد. نتایج حاکی از آن است که رویکرد فازی نه‌تنها از روش کلاسیک طرح آزمایش، بلکه از روش‌های مقاوم‌سازی استاندارد نیز در مواجهه با داده‌های دورافتاده عملکرد بهتری دارد.

---

در این مقاله، به برآورد ناپارامتری ساختار همبستگی نامانا در داده‌های فضایی با اندازه بزرگ پرداخته می‌شود. روش پیشنهادی، رویکردی بیزی مبتنی بر گروه‌بندی است که توسعه‌ای از تقریب وکیا محسوب می‌شود و بر فرض استقلال شرطی داده‌های مرتب‌شده بنا شده است. این فرض منجر به تنک‌سازی ماتریس دقت و تجزیه چولسکی تنک می‌گردد و امکان مدل‌سازی فرایند گاوسی $n$-متغیره را به‌صورت دنباله‌ای از رگرسیون‌های خطی بیزی فراهم می‌آورد. مرتب‌سازی داده‌ها با روش ماکسیمم ‌کردن کمترین فاصله، عملکرد مدل را بهبود می‌بخشد. افزون‌براین، اعمال الگوریتم گروه‌بندی روی داده‌های مرتب‌شده با حذف وابستگی‌های ضعیف بین موقعیت‌ها، ساختار کوواریانس را به‌صورت بلوک‌بندی‌شده و فوق‌العاده تنک تعریف می‌کند که منجر به کاهش چشمگیر بار محاسباتی و افزایش دقت مدل می‌شود. نتایج شبیه‌سازی و تحلیل داده‌های واقعی نشان می‌دهد که نمونه‌های به‌دست‌آمده از توزیع پسین، بازه‌های عدم قطعیت کوچکتری نسبت به روش‌های بدون گروه‌بندی دارند.