شبکه های عصبی مصنوعی، از جمله مدل های ریاضی جدیدی هستند که با دقت بالا به مدل بندی ساختار سری های زمانی غیرخطی می پردازند. مزیت این مدل ها در مقایسه با مدل های سری زمانی این است که نیاز به فرضیات محدودکننده نیست. دقت برآوردگرهای حاصل از شبکه عصبی به عنوان یک مدل ناپارامتری از مسائل مهم هست. برای این منظور با استفاده از روش های خودگردان، می توان دقت برآوردگرها را در ساختارهای پیچیده و غیرخطی سری های زمانی محاسبه کرد. این روش ها که در سال های اخیر معرفی شده اند، در محاسبه اریبی و واریانس برآوردگرها، در مقایسه با سایر روش ها از دقت بالاتری برخوردار هستند. در این مقاله ابتدا به معرفی الگوریتم های شبکه عصبی خودگردان، خودگردان اتورگرسیو، خودگردان بلوک متحرک و خودگردان مانده ها در سری های زمانی پرداخته می شود. سپس این چهار الگوریتم در یک مطالعه شبیه سازی برای مدل های اتورگرسیو، اتورگرسیو نمایی، اتورگرسیو آستانه ای خودمحرک و اتورگرسیو تغییر وضعیت هموار برای اندازه دقت برآورد واریانس استاندارد شده سه برآوردگر میانگین، اتوکوواریانس مرتبه صفر(واریانس) و اتوکوواریانس مرتبه یک، مورد مقایسه قرار می گیرند. در نهایت با استفاده از داده های قیمت نفت سنگین ایران به ارائه یک مثال کاربردی پرداخته می شود.

روش بوت استرپ افرون برای برآورد میزان دقت برآوردگرها، هنگام مشاهدات مستقل کاربرد دارد. برای داده های فضایی که بر حسب موقعیت قرار گرفتن آن ها در فضای مورد بررسی به یکدیگر وابسته هستند، معمولا روش بوت استرپ بلوک متحرک مورد استفاده قرار می گیرد. از آنجا که در این روش مشاهدات مرزی نسبت به سایر مشاهدات امکان کمتری برای حضور در بلوک ها دارند، در این مقاله روش بوت استرپ بلوک مجزا معرفی و الگوریتمی برای برآورد میزان دقت برآوردگرها ارایه می شود. همچنین کارایی روش بوت استرپ بلوک مجزا با بلوک متحرک در یک بررسی شبیه سازی مورد مقایسه عددی قرار گرفته، نشان داده می شود برآوردگر اریبی میانگین نمونه ای به روش بوت استرپ بلوک مجزا بدون خطا و برآوردگر واریانس آن سازگار است.

تعدادی از واحدهای تصمیم گیرنده که در مدل های DEA کارا ارزیابی می شوند دارای نمره کارایی یک هستند، پس هیچ تمایزی بین آن ها - از لحاظ تئوری – وجود ندارد. اغلب تصمیم گیرنده ها در صدد رتبه بندی کاملی از DMU ها هستند، تا بتوانند عملکرد آن ها را بهتر ارزیابی کنند و در جهت بهبود بیشتر پیش روند. تا به حال روش های مختلفی، برای رتبه بندی واحدهای کارا و ناکارا ارایه شده و مقالات زیادی در این زمینه منتشر یافته است. که برهر یک از این روش ها ایرادهایی وارد است و آن ها قادر به رتبه بندی تمامی DMU ها نیستند. روش بوت استرپ مطرح شده در این مقاله می تواند رتبه بندی تمامی واحدها را انجام دهد. روند بوت استرپ به عوض تحلیل تئوری از قدرت محاسباتی استفاده می کند. و برای بوت استرپ نمرات کارایی به طور ضمنی از برنامه ریزی خطی استفاده می کند. و به همین دلیل هیچکدام از مشکلات روش های قبلی را ندارد

بررسی روند و احتمال مرگ و میر برای برنامه ریزان، کارشناسان جمعیت، سازمان های بازنشستگی و شرکت های بیمه از اهمیت بالایی برخوردار است. تحقیقات نشان می دهد جداول مرگ و میر ایستا، احتمالات مرگ و میر را زیاد نشان می دهند. علت بیش برآوردی احتمالات مرگ و میر در جداول ایستا را می توان به نادیده گرفتن تغییرات مرگ و میر بر حسب زمان نسبت داد. جداول مرگ و میر پویا با در نظر گرفتن اثر زمان در سنین مختلف بر روند مرگ و میر از دقت بالاتری برخوردار هستند. در این مقاله، برای برآورد روند مرگ و میر ابتدا با استفاده از روش لی– کارتر مدلی برحسب زمان و رده های سنی به داده های نرخ مرگ و میر برازش و پارامترهای مدل را برآورد می کنیم. سپس با استفاده از روش های بوت استرپ پارامتری و نیم پارامتری فاصله های پیش بینی را برای احتمال های مرگ و میر محاسبه می کنیم. در انتها این مراحل را برای تحلیل داده های مرگ و میر ایران به طور مجزا برای مردان و زنان مورد استفاده قرار می دهیم.

در روش بوتاسترپ پارامتری با استفاده از بازنمونه گیری، آزمون پیشنهادی بوتاسترپ برای برآورد p - مقدار آماره آزمون مورد نظر ارائه می شود. در این مقاله ابتدا آزمون های فیشر، کاکران، ولچ، جیمز، براون و فرسیت، تقریب فیشر، ویراهاندی و ولچ تعدیل یافته و هم چنین آزمون بوتاسترپ پارامتری برای بررسی فرضیه برابری میانگین ها ارائه می شود. سپس با بررسی های شبیه سازی برای تعداد تیمارهای مختلف و اندازه نمونه های متفاوت، اندازه و توان هریک از آزمون ها محاسبه و با یک دیگر مقایسه می شوند. در نهایت برای بررسی عوامل موثر بر مقاومت فشاری بتن، اندازه این آزمونها برای داده های شرکت سیمان سپاهان محاسبه می شود.