برای برآورد مجهولات در یک مدل تابعی که در آن مشاهدات تابعی خطی از مجهولات می باشند، استفاده از روش کمترین مربعات مرسوم است. بهترین برآورد خطی نااریب (BLUE) وقتی حاصل می شود که معکوس ماتریس کواریانس مشاهدات به عنوان ماتریس وزن در نظر گرفته شود. لذا داشتن برآوردی واقع گرایانه از دقت مشاهدات کاملا ضروری است. یکی از روش های بدست آوردن دقت مشاهدات، استفاده از برآورد کمترین مربعات مولفه های وریانس است. در این روش، برآورد وریانس منفی ناممکن نیست، اما برآورد وریانس منفی از لحاظ آماری قابل قبول نمی باشد. لذا در این مقاله برای برآورد نامنفی مولفه های وریانس روش های عددی مانند الگوریتم ژنتیک و همچنین روش های تکراری را بر پایه کمترین مربعات ارائه می دهیم. با استفاده از روش برآورد نامنفی مولفه های وریانس، نه تنها برآورد وریانس نامنفی را ضمانت می کنیم بلکه می توان ترکیبات مختلفی از مدل مولفه های کواریانس مشاهدات را به صورت همزمان مورد مطالعه قرار داد، به طوری که مولفه های که به احتمال زیاد وجود ندارد، به طور خودکار صفر برآورد می گردند. در این مقاله روش های فوق برای ارزیابی نویز موجود در سری های زمانی ایستگاه های دائمی GPS مورد استفاده قرار گرفته شده است. مشاهدات مورد استفاده در این مقاله مختصات بیش از پنج سال (2005- 2010) ایستگاه IGS واقع در مهرآباد تهران و همچنین ایستگاه های دائم واقع در اهواز و مشهد است. برای این حجم داده ها، روش های تکراری بر پایه کمترین مربعات نسبت به روش های عددی مانند الگوریتم ژنتیک، برتری دارند. نتایج حاصل از ارزیابی نویز موجود در سری های زمانی ایستگاه های مذکور با استفاده از روش های برآورد نامنفی مولفه های وریانس، نشانگر آن است که نویز موجود در این سری ها ترکیبی از نویز سفید به اضافه نویز رنگی فلیکر و گاها نویز random walk می باشد.

استفاده از روش ها و تکنیک های مختلف در جهت رسیدن به بهترین نتایج و ایجاد هم افزایی بین آن ها می تواند در بسیاری از مسائل راه گشا و کمک کننده باشد. داده کاوی آموزشی یکی از حوزه های نسبتاجدیدی است که می توان به کمک آن در حل مسائل آموزشی و بویژه مسائل حوزه سنجش و اندازه گیری اقدام کرد. اما قبل از استفاده از این روش ها باید تا حد امکان با ان آشنا شده و مشکلات و معایب و مزایای آن مورد بررسی قرار گیرد. در این پژوهش نیز هدف بررسی تکنیک طبقه بندی ماتریس ها نامنفی و چگونگی تعیین تعداد خوشه ها قبل از اجرای مدل است. روش اجرای پژوهش از نوع توصیفی و جامعه مورد مطالعه تمامی حاضرین جلسه کنکور رشته علوم ریاضی و فنی در سال 1398 است که از این تعداد 5000 نفر به صورت تصادفی توسط سازمان سنجش و آموزش کشور انتخاب و در اختیار پژوهشگر قرار گرفت. ابزار پژوهش سؤالات حسابان و هندسه کنکور است. نتایج این تحلیل نشان داد که در برآورد تعداد خوشه های سؤالات حسابان اختلاف وجود دارد ولی در مورد سؤالات هندسه نتایج تمامی روش ها یکسان بود. با توجه به اختلاف مشاهده شده پیشنهاد می شود که در پژوهش های آتی با کمک شبیه سازی داده به بررسی دقیق تر این مسأله پرداخته شود.

مدل سازی دقیق عمق دریاها در کاربردهای مختلف دریایی ازجمله ناوبری، اکتشاف منابع و مطالعات زیست محیطی اهمیت زیادی دارد. در این مطالعه یک رویکرد نوآورانه برای تقویت مدل سازی عمق سنجی در خلیج فارس و دریای عمان با استفاده از تکنیک های تلفیق داده و داده گواری مشاهدات ژئودزی ارائه شده است. رویکرد مذکور شامل ادغام مأموریت های ارتفاع سنجی ماهواره ای، مدل ثقلXGM2019e  و داده های گرانش دریایی برای استخراج آنومالی ثقل است. با استفاده از سرشکنی و وزن دهی از روش تخمین مؤلفه های واریانس، این سه منبع داده برای برآورد آنومالی ثقل نهایی تلفیق شده است. مقایسه پروفیل های کنترل آنومالی ثقل دریایی با ارتفاع سنجی ماهواره ای، XGM2019e و آنومالی ثقل نهایی، دقت بهتر آنومالی ثقل تلفیقی را در مقایسه با آنومالی جاذبه به دست آمده از ارتفاع سنجی ماهواره ای و مدل ثقلXGM2019e  نشان می دهد. در مرحله بعد، آنومالی ثقل تلفیقی در مدل فیزیکی پارکر برای تخمین عمق دریا مورداستفاده قرار گرفت. برای اصلاح عمق سنجی تخمین زده شده و دستیابی به کالیبراسیون محلی، از روش داده گواری سه بعدی (3DVAR)  استفاده گردیده و مشاهدات اکوساندر برای بهبود تخمین عمق در مدل فیزیکی داده گواری شده است. درنهایت عمق داده گواری شده با عمق نقاط کنترل که از مشاهدات اکوساندر به دست می آیند، مقایسه و تأیید می شود. نتایج نشان می دهد که داده گواری مدل، در افزایش دقت برآورد عمق به دست آمده از مدل فیزیکی مؤثر است.

کاربردهایی که در آنها داده ها مقادیری نامنفی اختیار می کنند، اما نسبت قابل ملاحظه ای از مقادیر در صفر قرار دارند، در زمینه های علمی زیادی پیش می آیند. مدلبندی چنان داده های "تجمع یافته در صفر" یا "صفر متورم" چالش برانگیز است. مدلهایی را که مطرح اند، مرور می کنیم. حالتهایی را که در آنها پاسخ برای مشاهدات ناصفر پیوسته است، و نیز موارد گسسته را در نظر می گیریم. برای حالت پیوسته، و سپس برای حالت گسسته، مدلهای تحلیل داده های مقطعی را مرور می کنیم. سپس توسیعهای آنها را برای تحلیلهای اندازه گیری مکرر (مثلا در مطالعات طولی)، که برای آنها نوشته های علمی هنوز پراکنده اند، به اختصار می آوریم. همچنین کاربردهایی را ذکر می کنیم که در آنها ممکن است بیش از یک تجمع رخ دهد و مسایلی را برای پژوهشهای آتی مطرح می کنیم.

جوانان، به خصوص دانشجویان به عنوان آینده سازان و نیروی محرکه توسعه هر جامعه، از حساس ترین و مهمترین گروه های اجتماعی به شمار می آیند. در این راستا سبک زندگی سالم این قشر تاثیر بسیاری بر پیشرفت و پایداری جامعه دارد. لذا، پژوهش حاضر با هدف بررسی جامعه شناختی رابطه حمایت اجتماعی و سبک زندگی در بین دانشجویان دانشگاه بین المللی امام خمینی(ره) انجام شده است. روش تحقیق از نوع پیمایشی است. جامعه آماری پژوهش شامل کلیه دانشجویان دانشگاه بین الملل امام خمینی(ره) قزوین به تعداد 7883 نفر می باشد که حجم نمونه بر اساس فرمول آماری کوکران به تعداد 370 نفر برآورد شده است. روش نمونه گیری در این پژوهش از نوع نمونه گیری طبقه بندی متناسب با حجم نمونه است، در پژوهش حاضر برای سنجش کلی متغیر ها و کسب اطلاعات لازم از پرسشنامه استفاده شده است و تجزیه و تحلیل کلیه اطلاعات بدست آمده به وسیله نرم افزار SPSS صورت پذیرفته است. نتایج تحقیق نشان داد که همبستگی بین متغیر حمایت اجتماعی و مولفه آن شامل حمایت خانواده، حمایت دوستان و حمایت دیگران با متغیر سبک زندگی با اطمینان 99 درصد و در سطح معناداری کوچکتر از 01/0 تایید و به لحاظ آماری معنادار است. همچنین، نتایج تحلیل رگرسیونی چندمتغیره حاکی از آن است که متغیرهای حاضر در مدل شامل حمایت خانواده، حمایت دوستان و حمایت دیگران توانسته اند که 9/31 درصد از تغییرات متغیر وابسته سبک زندگی را تبیین نمایند.

سیستم های توصیه گر، یکی از ابزارهای موثر برای کمک به کاربران است تا آیتم های مورد علاقه خودشان را پیدا کنند. سیستم های پالایش گروهی یکی از مشهورترین الگوریتم های توصیه به شمار می روند و در کارهای تجاری مختلفی استفاده شده اند. اما این سیستم ها در برخورد با کاربران و کالاهایی(آیتم هایی) که اطلاعات کمی از آن ها وجود دارد (کاربران یا کالاهای با شروع سرد) دارند، کارایی ضعیفی از خود نشان می دهند. برای مقابله با این چالش، در این مقاله، یک روش جدید مبتنی بر اطلاعات شبکه اجتماعی کاربران ارایه می شود که اطلاعات اعتماد بین کاربران را با تجزیه نامنفی ماتریس ترکیب می کند تا یک مدل مناسب برای توصیه به کاربر ایجاد شود. روش پیشنهادی اطلاعات مهم مانند، رتبه و اعتماد را برای کاهش پراکندگی داده و برخورد با مشکلات ناشی از شروع سرد، استفاده می کند. به علاوه، در روش پیشنهادی از راه کار بهینه سازی جهت متناوب برای افزایش همگرایی الگوریتم و کاهش پیچیدگی زمانی به طور مناسبی استفاده می شود. برای ارزیابی روش پیشنهادی چندین آزمایش روی دو مجموعه داده معتبر و مشهور انجام شده است. نتایج تجربی نشان می دهد که روش پیشنهادی، به ویژه، برای کاربران شروع سرد عملکرد بهتری نسبت به روش های جدید، برای توصیه در شبکه های اجتماعی دارد.