مدل سازی داده های دوسطحی با فرض نرمال بودن مولفه تصادفی و خطا انجام می شود. عدم برقراری این فرض باعث استنباط غلط در مورد پارامترهای مدل می گردد. در این مقاله، استفاده از خانواده توزیع چوله نرمال که خانواده ای انعطاف پذیرتر از توزیع نرمال است مطرح می شود. سپس در یک مطالعه شبیه سازی نشان داده می شود عدم در نظر گرفتن چولگی مثبت (منفی) در مدل باعث بیش برآوردی (کم برآوردی) عرض از مبدا و کم برآوردی (بیش برآوردی) شیب مدل می گردد سپس با مدل به دست آمده رابطه نوبت کاری و کلسترول خون تعیین می شود

در این مقاله توزیعی جدید بر مبنای توزیع وایبول ارائه  می‌شود. این توزیع دارای سه پارامتر است که نرخ شکست‌های صعودی، نزولی، وان شکل، تک‌مدی و صعودی نزولی صعودی را شامل می‌شود. سپس خواص  توزیع مورد بررسی قرار می‌گیرد آنگاه با استفاده از یک مجموعه  داده واقعی ویژگی‌های آن با برخی از تعمیم‌های توزیع وایبول مقایسه می‌شود.

یک نامساوی مهم برای توزیع ماکسیمم متغیرهای تصادفی مستقل نامساوی لوی است. در این مقاله یک نسخه از این نامساوی برای متغیرهای به طور ضعیف وابسته منفی ارایه می گردد. قانون قوی برای متغیرهای وابسته توسط مولفین مختلفی مورد بررسی قرار گرفته اند. در این تحقیق، همچنین، همگرایی کامل وزنی برای آرایه ای از متغیرهای تصادفی سطری وابسته منفی کراندار احتمالی بدست می آید. همگرایی کامل و قانون قوی برای چنین خانواده ای از متغیرهای تصادفی از نتایج حاصله می باشند

طرح نمونه‌گیری با طبقه‌بندی قضاوتی روشی موثر برای استفاده از اطلاعات اضافی رتبه‌بندی و انتخاب نمونه‌ای با اطلاعات بیشتر نسبت به نمونه‌گیری تصادفی ساده از جامعه است. این روش نمونه‌گیری به نحوی است که هر یک از مشاهدات می‌تواند به‌طور تصادفی درون هر یک از طبقات قرار گیرد. در این مقاله برآوردگر جدیدی برای میانگین در این طرح نمونه‌گیری معرفی می‌شود که با تغییر در چینش مشاهدات باعث یک‌دست شدن مشاهدات درون طبقات می‌شود. در ادامه برآوردگر پیشنهادی با سایر برآوردگرهای میانگین موجود تحت این طرح نمونه‌گیری مورد مقایسه قرار می‌گیرد. نتایج شبیه‌سازی نشان می‌دهد که برآوردگر پیشنهادی عملکرد بهتری نسبت به سایر برآوردگرها دارد.

از جمله روش‌هایی که در سال‌های اخیر توجه بسیاری از محققان را برای مدل‌سازی داده‌های چندمتغیره آمیخته به خود جلب کرده است، استفاده از تابع مفصل می‌باشد. در این مقاله مدلی رگرسیونی برای پاسخ‌های آمیخته بقا و گسسته بر اساس تابع مفصل ارائه می‌شود که در آن متغیر پیوسته از نوع زمان بوده و امکان وقوع مشاهده سانسور شده در آن وجود دارد. برای انجام این کار فرض شد که توزیع‌های حاشیه‌ای مشخص هستند و متغیری پنهان برای تبدیل حاشیه گسسته به پیوسته مورد استفاده قرار گرفت. سپس با استفاده از تابع مفصل تابع توزیع توام برای دو متغیر تشکیل و در پایان مدل به دست آمده بر روی داده‌های فاصله بین تولدها در شهر اهواز مورد استفاده قرار گرفت.

معیارهای بهینگی برای یافتن طرح بهینه مدل مورد بررسی، استفاده می‌شوند. این نوع مدل‌ها شامل مدل‌های مقایسه زوج شده هستند، که معیارهای بهینگی مقایسه‌های زوج شده بهینه را مشخص می‌کنند. در این مقاله علاوه بر معرفی مدل رگرسیونی درجه دوم با اثرات تصادفی، مدل‌های مقایسه زوج شده در این نوع مدل‌ها معرفی و طرح بهینه برای آنها محاسبه شده است.

در نمونه‌گیری موزون به عنوان تعمیمی از نمونه‌گیری تصادفی هر مشاهده، با احتمالی متناسب با یک تابع نامنفی از آن ثبت می‌شود. در این مقاله مدل رگرسیونی نرمال تحت نمونه‌گیری موزون برای یک وزن کلی پیشنهادی مطالعه می‌گردد. پارامترهای مدل در دو حالت معلوم و نامعلوم بودن پارامتر وزن برآورد می‌شوند و با استفاده از شبیه‌سازی کارایی برآوردها هنگامی که شکل بسته‌ای برای آنها به‌دست نمی‌آ‌ید مطالعه می‌شوند. به‌عنوان یک کاربرد، داده‌های تعداد نسخه پزشکان متخصص طرف قرارداد سازمان تا مین اجتماعی اهواز این مدل  تحلیل می‌شوند.

ارزش در معرض خطر و میانگین ارزش در معرض خطر که ریسک بازار را با یک عدد بیان می‌­کنند، دو نوع از مهمترین معیارهای اندازه‌­گیری ریسک مبتنی بر روش‌های آماریدر بازارهای مالی هستند. اخیرا رهیافت مدل­های رگرسیونی خطی نظیر کمترین توان های دوم و چندکی برای برآورد این معیارها ارائه شده است. در این مقاله روش برآورد این دو معیار ریسک با استفاده از مدل رگرسیونی چندکی ترکیبی بررسی می‌­شود. برای مقایسه کارایی مدل ارائه شده با مدل‌های متداول در این زمینه، مطالع شبیه‌سازی انجام شده و در پایان نیز نحوه کاربست مدل­‌ها در قالب مثال کاربردی برای داده‌­هایی از بازار سهام ایران نشان داده خواهد شد.

برآوردگرهای تاوانیده در سال‌های اخیر در برآورد پارامترهای رگرسیونی بسیار مورد توجه قرار گرفته‌اند، که معروف‌ترین آن‌ها برآوردگرهای تاوانیده با نُرم مستطیلی هستند. این برآوردگرها، همزمان انتخاب متغیر و برآورد پارامتر انجام می‌دهند. در این مقاله، با استفاده از اطلاعات پیشین غیرقطعی در مورد پارامترها، برآوردگرهای بهتری با مخاطره کمتر در مقایسه با برآوردگر لاسو، تاوانیده با نُرم مستطیلی ارائه شده است. برتری کارآیی برآوردگرهای انقباضی پیشنهاد شده در یک مطالعه‌ شبیه‌سازی نسبت به برآوردگر لاسو نشان داده شده است. همچنین کاهش در مقادیر میانگین خطاهای پیش‌بینی در مجموعه داده‌های سرطان آمار و ارقام ایالات متحده‌ آمریکا حاکی از قدرت پیش‌گویی برآوردگرهای انقباضی است.