مجله پژوهش های آماری ایران
سال:1385 | دوره:3 | شماره:1 |تعداد مقالات:6

در این مقاله روشی برای شناسایی نقاط دورافتاده در مسایل رگرسیونی پیشنهاد شده است. این روش بر اساس اطلاعاتی است که با تقویت درخت های رگرسیونی به دست می آید. ایده اصلی این است که مشاهده ای را که بیش از همه در باز نمونه گیری های روش تقویت (boosting) ظاهر می شود، انتخاب و حذف کنیم و سپس این کار را تکرار کنیم. معیار این انتخاب، بر اساس نابرابری چبیشوف است که در مورد ماکسیمم تعداد تکرارهای تقویت در متوسط تعداد ظهور در نمونه های خودگردان ساز (bootstrap) به کار گرفته می شود. از این رو، این روش، بستگی به توزیع نوفه ندارد. این روش، امکان انتخاب نقاط دورافتاده را که پیش بینی مشاهدات آن ها بسیار سخت است، فراهم می سازد. برای نشان دادن ارزش این روش، مجموعه داده های مشهور زیادی در نظر گرفته شده اند و مقایسه ای بین روش پیشنهادی و دو روش رایج صورت گرفته است.

پیش بینی رکوردهای ورزشی، توجه فراوانی را از سوی پژوهشگران در شاخه های مختلف علوم، معطوف به خود کرده است. این مقاله بعضی از روش های معرفی شده توسط آمارشناسان را مورد بررسی قرار می دهد و برخی اصلاحات را پیشنهاد می کند. روش های مشخصی که مورد بحث قرار گرفته اند، عبارت اند از تحلیل روند، مدل بندی دم ها، و روش های مبتنی بر برخی نتایج خاص در نظریه رکوردها برای رکوردگیری های متعدد، مستقل و هم توزیع. برای کاربردی کردن نظریه اخیر، و برای در نظر داشتن عوامل موثر بر رکوردها، تعدیل در داده ها به شکل افزایش تعداد شرکت کنندگان یا دفعات رکوردگیری انجام می گیرد. مدل های مورد استفاده برای این منظور، شامل افزایش هندسی، افزایش لوژستیک، و افزایش در قالب یک فرایند پواسون غیر همگن اند. روشی برای پیش بینی رکورد نهایی، همراه با مثال هایی با استفاده از داده هایی از پرش طول و دو 400 متر مردان نیز ارایه شده است.

در این مقاله یک توزیع چوله نرمال جدید را معرفی می کنیم، که آن را با NSN (l) نشان می دهیم. نخست تابع مولد گشتاورها و تابع چگالی NSN (l) را به دست می آوریم. خواص SN (l)، توزیع چوله نرمال شناخته شده آتسالینی (Azzalini)، و NSN (l) را با یکدیگر مقایسه می کنیم. در پایان، یک مثال عددی برای آزمون کردن پارامتر l در NSN (l) ارایه می کنیم.

در این مقاله روش جدیدی برای آزمون تصادفی بودن داده های پایدار غیر گاوسی بر مبنای یک نتیجه مشخص سازی پیشنهاد می کنیم. این روش، نسبت به داده های غیر تصادفی، حساس تر از آزمون های ناپارمتری شناخته شده برای تصادفی بودن است.

مقادیر گم شده، در پژوهش های مربوط به بسیاری از شاخه های علمی، مانند علوم اجتماعی، پزشکی، و اقتصاد، رخ می دهند. مکانیسم گم شدن در این پژوهش ها باید با دقت بیش تری مورد بررسی قرار گیرد. در این مقاله، برخی از مدل هایی که در نوشتگان آماری در خصوص داده های طولی با الگوی انصراف پیشنهاد شده اند، مورد بازبینی و مقایسه قرار گرفته اند. در یک مثال عملی نشان داده شده است که دو مورد از پرکاربردترین مدل ها در زمینه پژوهش های اقتصادی و پزشکی برای داده های طولی با الگوی انصراف، مدل انتخاب هاسمن و وایز ((Hausman and Wise, 1979, Econometrica 47, pp. 455-473 مدل با پارامتر مشترک فولمن و وو (Follman and Wu, 1995, Biometrics 51, pp. 151-168) نمی توانند به خوبی رابطه بین متغیرهای پاسخ و مکانیسم گم شدن را در نظر بگیرند. در این مقاله، مدل انصراف فولمن و وو با افزودن پاسخ زمان پیشین، تعمیم داده شده است. با اصلاح این مدل، در داده های طولی با دو دوره زمانی، شکل کلی از این مدل به دست آمده، که قادر است همه روابط بین پاسخ و مکانیسم گم شدن را در نظر گیرد. این امر به روش جبری ثابت شده است. روشی نیز برای آزمون فرض گم شدن تصادفی در مدل تعمیم یافته هکمن (Crouchley and Ganjali, 2002, Stat. Model. 2, pp. 39-62) پیشنهاد شده است که در آن با کمک روش دلتا، واریانس آماره آزمون محاسبه می شود.

در میان همه معیارهای استقلال مابین متغیرهای تصادفی، اطلاع متقابل، یگانه مورد مبتنی بر نظریه اطلاع است. نظریه اطلاع، همه انواع وابستگی بین متغیرها، اعم از وابستگی های خطی و غیرخطی را در نظر می گیرد. ما در این مقاله، بعضی از توزیع های دو متغیره مشهور را بر مبنای اطلاع متقابل شان، در دو رده از توزیع ها تقسیم بندی کرده ایم. توزیع های هر رده دارای اطلاع متقابل یکسان هستند. این توزیع ها به طور گسترده ای به عنوان توزیع های بقا در دستگاه های دو مولفه ای در نظریه قابلیت اعتماد به کار رفته اند.