معمولا با مشاهده یک نمونه تصادفی و با استفاده از روش‌های معمول برآوردیابی مانند روش ماکسیمم درستنمایی به برآورد پارامتر نامعلوم می‌پردازند. در بعضی مواقع اطلاعاتی در مورد پارامتر واقعی به‌صورت یک حدس در اختیار داریم. در چنین حالت‌هایی می‌توان برآوردگر ماکسیمم درستنمایی یا هر برآوردگر دیگری را در جهت مقدار حدسی منقبض کرد و برآوردگرهای انقباضی را ساخت. در این مقاله، به مطالعه رفتار یک برآوردگر انقباضی بیزی برای پارامتر مقیاس توزیع نمایی براساس نمونه‌های سانسور شده تحت یک تابع زیان نامتقارن ناوردای مقیاس می‌پردازیم. برای این منظور، برآوردگر انقباضی بیزی معرفی و کارآیی نسبی بین این برآوردگر و بهترین برآوردگر خطی با توجه به حجم نمونه، ابرپارامترهای توزیع پیشین و میزان نزدیکی مقدار حدسی به مقدار واقعی پارامتر محاسبه می‌شود. همچنین نتایج به‌دست آمده به توزیع‌های طول عمر رایلی و وایبول تعمیم داده می‌شود.

امروزه استفاده از روش‌های مختلف سانسور در آزمون‌های قابلیت اعتماد در صنعت و آزمون‌های زمان - بقا در آزمایشات کلینیکی فراگیر شده است. یکی از این روش‌های سانسور، سانسور پیش‌رونده‌ نوع I و II است. استفاده از این نوع سانسورها، معایبی نیز به همراه دارد. در این مقاله تلاش می‌شود با ایجاد تغییراتی در سانسور پیش‌رونده نوع I، معایب آن کاهش یابد و همچنین یک طرح کلی ارائه گردد که سانسور پیش‌رونده نوع II را نیز شامل گردد. این کار از این طریق صورت می‌پذیرد که برخلاف قبل، تعداد برداشت و زمان برداشت متغیرهای تصادفی در نظر گرفته می‌شوند. ابتدا به معرفی سانسورهای پیش‌رونده نوع I، II و دو نوع از تعمیم‌های آن‌ها پرداخته می‌شود، سپس روش سانسور جدید بر پایه‌ سانسور پیش‌رونده نوع I توضیح داده و تابع چگالی احتمال آن بیان می‌گردد. چند حالت خاص آن نیز معرفی می‌شود و در پایان، پیرامون پارامترهای مدل استنباط آماری انجام می‌شود و در ادامه الگوریتم شبیه‌سازی سانسور جدید ارائه و برای مقایسه این طرح سانسور تعمیم‌یافته با روش‌های سانسور رایج، از شبیه‌سازی استفاده خواهد شد.

فرض کنید یک نمونه تصادفی از توزیع رایلی تک‌پارامتری در اختیار باشد. در روش‌های کلاسیک آمار، براساس اطلاعات موجود در نمونه و با روش‌های معمول به برآوردیابی پارامترنامعلوم پرداخته می‌شود. گاهی در عمل، محقق دارای اطلاعاتی درباره پارامتر نامعلوم به‌صورت یک حدس یا گمان می‌باشد. این حدس، اطلاعات غیرنمونه‌ای نامیده می‌شود. در این حالت، برآوردگرهای انقباضی خطی با ترکیب اطلاعات غیرنمونه‌ای و اطلاعات موجود در نمونه معرفی شدند که در نزدیکی مقدار حدسی و واقعی دارای مخاطره کمتری نسبت به برآوردگرهای معمول هستند. در این مقاله، براساس رد یا پذیرش فرضیه‌صفر نزدیکی مقدار حدسی و مقدار واقعی پارامتر، چند آزمون-برآوردگر انقباضی برای پارامتر مورد بررسی با روش‌های مختلف، معرفی و مخاطره آن‌ها تحت تابع زیان آنتروپی محاسبه می‌شود. سپس رفتار آزمون-برآوردگرهای انقباضی و بهترین برآوردگر خطی براساس کارایی نسبی بین آن‌ها مقایسه می‌شوند. آن‌گاه نتایج به‌دست آمده برای نمونه‌های سانسور شده نوع دوم به‌کار گرفته می‌شود.

یکی از روش‌های رفع مشکل همخطی در مدل‌های خطی، استفاده از برآوردگر لیو است. در این مقاله، برآوردگر جدیدی را با تعمیم برآوردگر لیو اصلاح‌ شده لی و یانگ (۲۰۱۲) ارائه شده است. این برآوردگر بر اساس یک اطلاع پیشین از بردار پارامترها در مدل رگرسیون خطی و برآوردگر تعمیم‌یافته آکدنیز و کاچیرانلار (۱۹۹۵) به‌دست می‌آید. با استفاده از معیار ماتریس میانگین توان دوم خطا، شرایط برتری این برآوردگر بر برآوردگر لیو تعمیم‌یافته به‌دست آورده می‌شود. به منظور مقایسه رفتار این برآوردگر با برآوردگرهای موجود، یک مثال عددی و یک مطالعه شبیه‌سازی انجام شده است. 

یک روش مناسب در برازش داده‌های نامتقارن و تحلیل داده‌هایی با ساختار غیر نرمال, استفاده از کلاس توزیع‌های وزن‌دار شده است. در این مقاله خانواده دیگری از توزیع‌های چوله-لاپلاس بر اساس تابع وزن دو پارامتری و به منظور برازش بهتر داده‌هایی از جوامع نامتقارن چند مدی و غیر نرمال معرفی می‌شود. همچنین برخی مشخصه‌های اصلی توزیع از جمله چولگی و کشیدگی, تابع مولد گشتاور و غیره مورد بررسی قرار گرفته‌اند. در انتها نیز کاربرد توزیع برای برازش به داده‌ها، با استفاده از یک مجموعه داده‌ واقعی مورد بررسی قرار گرفته است.

 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.

خانواده توزیع‌های آلفا-پایدار از دو خاصیت چولگی و سنگینی دم برخوردار بوده و در نتیجه به‌طور گسترده‌‌ای در حوزه‌های مطالعاتی متعددی مورد استفاده قرار می‌گیرد. متاسفانه، برای تقریبا همه اعضای این خانواده، تابع چگالی با شکل تحلیلی وجود ندارد و در نتیجه یافتن برآوردگرهای ماکسیمم درستنمایی پارامترهای این توزیع به یک مسئله چالشی بدل شده است. در این مقاله، به‌منظور برطرف کردن این مشکل، نوعی الگوریتم ‎EM‎ پیشنهاد می‌شود. کارایی این الگوریتم به کمک شبیه‌سازی و همچنین تحلیل سه دسته از داده‌های واقعی مورد بررسی قرار خواهد گرفت.

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.

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.

در این مقاله، به محاسبه برآوردگرهای بیزی و  E-بیزی در مدل بر نوع ۱۲ پرداخته می‌شود. برآوردگرها بر اساس داده‌های سانسور شده نوع دوم تحت تابع زیان کراندار گامای برگردانده به دست می‌آیند. رابطه بین برآوردگرهای E-بیز و همچنین ویژگی‌های مجانبی آن‌ها ارائه می‌شوند. عملکرد برآوردگرهای ارائه شده با استفاده از شبیه‌سازی مونت کارلو مورد بررسی قرار می‌گیرند.