ساختار آزمون تحلیل واریانس به‌گونه‌ای است که در صورت حضور داده‌های دورافتاده در بین مشاهدات، نتایج آزمون می‌تواند به‌اشتباه منجر به رد یا پذیرش فرض صفر شود. در این مقاله، روش استوار توزیع جایگشتی آماره F بر اساس میانگین پیراسته پیشنهادشده است. این روش، به کمک توزیع جایگشتیِ تابعی از میانگین پیراسته، حساسیت نسبت به فرض‌های کلاسیک همچون نرمال بودن داده‌ها و حضور داده‌های دورافتاده را کاهش داده و اعتبار نتایج حاصل را تضمین می‌کند. روش پیشنهادی با روش تحلیل استوار واریانس بر اساس رهیافت جستجوی پیشرو مقایسه می‌شود. روش ارائه‌شده برخلاف روش مبتنی بر جستجوی پیشرو، ما را از فرضیات محدودکننده پارامتری بی‌نیاز و ازنظر محاسباتی زمان کمتری را صرف می‌کند. نتایج بررسی‌های عددی روی خطای نوع اول و توان آزمون، حکایت از عملکرد خوب این روش استوار در مقایسه با روش رقیب دارد.

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.

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.

در این مقاله، به مقایسه‌های‌ تصادفی سیستم‌های موازی و سری  متشکل از مولفه‌های مقیاس با چندین دورافتاده  پرداخته می‌شود. تحت شرایط مشخصی روی توابع نرخ خطر پایه، نرخ خطر وارون پایه و پارامترهای مقیاس، ترتیب نسبت درستنمایی، ترتیب پراکندگی و ترتیب میانگین باقیمانده عمر، میان سیستم‌های موازی و سری  اثبات شده است. همچنین نشان داده شده است که نتایج برای دو خانواده از توزیع‌های گاما و پاراتو  با چندین دورافتاده نیز برقرار است. 

تابع ژرفا  با در نظر گرفتن ویژگی‌های هندسی مجموعه داده‌های چندمتغیره و رتبه‌بندی مشاهدات  ابزار مناسبی را در آمار ناپارامتری چندمتغیره فراهم آورده است. به عبارت دیگر، این تابع منجر به مرتب‌سازی از مرکز به بیرون نقاط چندمتغیره می‌شود. از آن‌جا که دورافتادگی نقاط به طور اجتناب‌ناپذیری وابسته به ترتیب داده‌ها است، این مرتب‌سازی می‌تواند راهی برای شناسایی نقاط دورافتاده فراهم کند. در این مقاله، بر اساس مفهوم تابع ژرفا، یک روش ناوردای آفین برای شناسائی نقاط دورافتاده چندمتغیره بیان می‌شود. ویژگی مطلوب ناوردای آفین  تضمین می‌کند که نقطه دورافتاده تحت هرگونه تبدیل از محورهای مختصات کماکان به‌عنوان دورافتاده شناسایی شود. پیاده‌سازی این روش نسبت به بیشتر روش‌های چندمتغیره که دارای پیچیدگی محاسباتی هستند، ساده‌تر است. بر اساس مطالعات شبیه‌سازی عملکرد روش پیشنهادی بر اساس توابع ژرفای مختلف مورد بررسی قرار گرفته است. سرانجام، روش بیان شده برای داده‌های مسکن شهرهای منتخب ایران در سال 1397، بکار برده می‌شود. 

 در این مقاله، ترتیب  نرخ خطر میان سیستم‌های (n-1) از n مورد بحث قرار گرفته است. تحت شرایطی روی پارامترهای مقیاس  و بیشاندن ضعیف از پایین میان بردار اندازه نمونه‌ها، ترتیب نرخ خطر میان سیستم‌های (n-1) از n متشکل از مولفه‌های مقیاس با چندین دورافتاده، اثبات شده است. همچنین تحت شرایطی مشخص روی مفصل ارشمیدسی و پارامترها، ترتیب تصادفی معمولی میان این‌گونه سیستم‌ها با مولفه‌های وابسته مورد بحث قرار گرفته است.

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.