مشاهدات زوج شده بر دو نوع هستند، مشاهدات زوج شده ذاتی که اغلب در تحقیقات مختلف مورد ارگانهای زوجی بدن نظیر چشم، گوش، دست و پا، کلیه، ریه،... در مطالعات مربوط به دوقلوهای همسان به طور مکرر دیده می شود و مشاهدات زوج شده از طریق جور کردن (matching) که در آن افراد مورد و شاهد در مطالعات مورد - شاهدی بر حسب خصوصیاتی خاص با یکدیگر زوج می شوند و ما علاقه مند به بررسی تفاوتهایی در یک یا چند متغیر پاسخ خاص در بین دو گروه هستیم.به کمک مدلهای مناسب می توان ارتباط بین متغیر پاسخ و متغیرهای تشریحی اندازه گیری شده را به طور دقیق مورد بررسی قرار داد. یکی از مهمترین این مدلها، مدلهای خطی تعمیم یافته اند که به علت گستردگی و کارایی زیاد نقش عمده ای در تحلیل داده های مختلف ایفا می کنند. در این مقاله با مرور اجمالی انواع متفاوتی از این مدلها، طریقه به کارگیری مدل لجستیک تجمعی برای تحلیل داده های زوج شده را بیان می کنیم. سپس به کمک این مدل داده های مربوط به وضعیت سمع ریه افراد در استان تهران را، که قسمتی از داده های "طرح بررسی سلامت و بیماری در ایران" است، تجزیه و تحلیل می کنیم. نتایج نشان می دهد که سن، استعمال دخانیات و جنسیت از عوامل موثر بر مشکلات ریوی در استان تهران است.

برآوردگر بهبود یافته واریانس در مدلهای خطی کلی تحت تابع زیان نامتقارن لینکس ارائه شده است.

برای تخمین مدلهای اقتصادسنجی همواره محقق با این سؤال روبرو است که کدام یک از مدلهای خطی و خطی لگاریتمی ترجیحاً بهتر است و باید مورد برآورد و تخمین قرار گیرد. مقاله حاضر با معرفی آزمون MWD به این سؤال مهم پاسخ می دهد و در بررسی موردی با معرفی منحنی انگل در مورد برخی از کالاهای اساسی در ایران مرجع را در مورد هر یک انتخاب می نماید.

مقدمه: بیماری دیابت از جمله بیماری های مزمنی است که شیوع آن بسیار زیاد و روز به روز درحال افزایش است. در این مطالعه ضمن تعیین عوامل موثر بر بیماری دیابت به مقایسه دو مدل خطی تعمیم یافته وخطی آمیخته تعمیم یافته می پردازیم.روش بررسی: داده های این مطالعه مربوط به طرح تحقیقاتی بررسی شاخص های اپیدمیولوژیک بیماری دیابت بزرگسالان در گروه سنی 30 سال وبالاتر شهری استان یزد می باشد. در این مطالعه جمعا 2795 نفر با انجام آزمایش قند خون از لحاظ ابتلا به دیابت بررسی شدند. برای تحلیل داده ها با استفاده از مدل رگرسیون لجستیک آمیخته ورگرسیون لجستیک معمولی از نرم افزار R استفاده شد.یافته ها: در این مطالعه متغیر های سابقه خانوادگی ابتلا به دیابت، سن، شاخص توده بدنی و دورکمر به دور باسن در هردو مدل معنی دار شد (p<0.001)، با این تفاوت متغیر که شغل در مدل رگرسیون لجستیک معمولی در سطح 0.1 معنی دار بود ولی در مدل رگرسیون لجستیک آمیخته معنی دار نبود. همچنین، متغیرهای مساحت خانه، سطح تحصیلات و جنسیت در هیچ یک معنی دار نشد. با توجه به مقادیر نسبت شانس نیز در برخی از آنها شاهد تفاوت قابل توجهی بین دو مدل هستیم. با توجه به خطای استاندارد ضرایب ومقایسه مقادیر آن در دو مدل، شاهد کم برآوردی در مدل رگرسیون لجستیک معمولی بودیم.نتیجه گیری: بکار گیری مدل های آمیخته تعمیم یافته منجر به نتایج دقیق تر می شود و ازکم برآوردی خطای استاندارد ضرایب جلوگیری می کند.

در این مقاله، یک روش برنامه ریزی ریاضی جدید برای برآورد پارامترهای رگرسیون خطی فازی با ورودی قطعی/ فازی و خروجی فازی معرفی می گردد. مزیت این روش این است که متغیرهای مستقل و وابسته بر تابع هدف تاثیر می گذارد. در نتیجه، این مدل مشکلات مربوط به نقاط پرت را مرتفع می سازد. همچنین در این مقاله از توابع امکانی برای قیود رگرسیونی استفاده شده است. برای مقایسه برتری روش پیشنهادی نسبت به مدلهای قبلی، سه مثال عددی آورده شده است.

هدف از ارایه این مقاله معرفی مدلهای پویای تعمیم یافته بیزی برای داده های گسسته است. تحلیل داده ها درحالت خط و غیرپویا سالهاست که از سوی آمارشناسان مختلف برای بررسی اثر پذیری یک یا چند عامل کمکی بر روی متغیر پاسخ، مورد نقد و بررسی قرار گرفته است. از سالهای 1970به بعد برای وقتی که متغیر پاسخ (yt) و پارامتر (bt) به صورت گسترده در زمان در حال تغییر باشند، مدلهای پویا برای حالتهای ساده خطی و یک پارامتری مورد ارزیابی قرار گرفته است. در سالهای اخیر نیز برای حالت خطی تعمیم یافته (غیرخطی) یک پارامتری نیز مدلهایی ارایه گردید. اما برای حالت خطی تعمیم یافته و چند پارامتری و آن هم برای وقتی که متغیر پاسخ از نوع گسسته باشد، موضوعی است که قرار است در این مقاله به آن پرداخته شود. پس از ارایه مبانی نظری ساخته شده در این مقاله، به عنوان کاربردی از آن، مساله بیکاری در کشور و عواملی که به صورت پویا بر روی پارامترهای متغیر پاسخ تاثیرگذار است، مورد نقد و بررسی قرار می گیرد و سرانجام، بین این روش و روشهای دیگر مدل سازی بیزی، مقایسه ای علمی انجام خواهد گرفت.