انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Analysis of investment risk in companies listed on the Iran stock exchange ‎using ‎a ‎boosting algorithm تحلیل مخاطرۀ سرمایه گذاری در شرکت‌های پذیرفته شده در بورس اوراق بهادار ایران با استفاده از الگوریتم تقویتی 732974 10.22034/jr_iss.2024.732974 FA صدیقه زمانی مهریان گروه آمار، دانشگده علوم پایه، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران 0000-0001-9953-8203 ناصر اقبالی فر گروه حسابداری، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Journal Article 2025 04 30 In recent years, stock price prediction and market return models have attracted significant research attention. Traditional statistical forecasting models, such as autoregressive (AR), ‎autoregressive moving average (ARMA) and generalized autoregressive conditional heteroskedasticity (GARCH) models, have been widely used. Advances in computer processing power have facilitated the introduction of new algorithms, including machine learning techniques, for predicting financial data. Consequently, this study analyzes investment risk in companies listed on the Iran Stock Exchange by examining data on their trading volume. An optimal vector autoregressive (VAR) model is fitted using a boosting algorithm. The performance of this boosting-based model is compared to that of models fitted using conventional statistical methods. The results demonstrate the superior performance of the boosting algorithm. در سال‌ های اخیر بسیاری از پژوهشگران به پژوهش روی مدل‌ های پیش‌ بینی قیمت سهام و بازده بازار تمرکز کرده‌ اند. مدل‌ های پیش‌ بینی آماری مانند مدل‌ های خودبازگشتی، خودبازگشتی- میانگین متحرک و واریانس‌ ناهمگن شرطی خودبازگشتی تعمیم‌ یافته به‌ طور گسترده مورد استفاده قرار گرفته است. توسعۀ پردازنده‌ های کامپیوتری موجب معرفی الگوریتم‌ های جدید از جمله الگوریتم‌ های یادگیری ماشین جهت پیش‌ بینی داده‌ های مالی شده است. در این مقاله، به‌ منظور تحلیل مخاطرۀ سرمایه‌ گذاری در شرکت‌ های پذیرفته شده در بورس اوراق بهادار ایران، داده‌ های مربوط به حجم معاملاتی شرکت‌ های پذیرفته شده در بورس در نظر گرفته شده و مدل بهینه در مدل‌ های خودبازگشتی برداری با استفاده از الگوریتم تقویتی برازش داده ‏می‌شود. مدل پیشنهادی با استفاده از الگوریتم تقویتی با مدل‌ های آماری معمول مقایسه می‌ شود. نشان می‌ دهیم که الگوریتم تقویتی در برازش مدل عملکرد مناسب‌ تری دارد.

https://andisheyeamari.irstat.ir/article_732974_15e5218cac071f434772024290612a55.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Analysis of Minimum Distance Instrumental Variable Quantile Regression and Its Application on Analyzing Iranian Household Expenditure and Income Data رگرسیون چندکی متغیر ابزاری با رویکرد حداقل فاصله و کاربرد آن در تحلیل داده‌های هزینه و درآمد خانوار ایرانی 729436 10.22034/jr_iss.2024.729436 FA سید احسان حسین زاده دانشکده علوم ریاضی، دانشگاه تربیت مدرس، تهران، ایران موسی گلعلی زاده گروه امار، دانشگاه تربیت مدرس، تهران، ایران Journal Article 2025 05 01 One of the most common statistical models to study relationships among variables in a scientific investigation is the linear (mean-based) regression that rests on assumptions like normal errors and no correlation between regressors and the error term. When the normality of error component is questionable, quantile regression is a good choice because it is more robust to outliers. If endogeneity is a concern-i.e., regressors correlate with the error- instrumental variables come to play. One the other hand, minimum distance method which minimizes the gap between observed and model-implied distributions is powerful tool to fit the models. This paper lays out minimum-distance instrumental-variable quantile regression (MD-IVQR) and gives details on its relevant theoretical computation. Also, using Iranian household expenditure–income data from 1402, we compare MD-IVQR with conventional Quantile Regression method and show that it controls endogeneity and reveals distributional heterogeneity. یکی از رایج‌ترین مدل‌های آماری برای بررسی روابط بین متغیرهای یک مطالعه علمی مدل‌های رگرسیون خطی مبتنی بر میانگین متغیر پاسخ است که بر پایه پذیره‌هایی مانند نرمال بودن توزیع خطا و ناهمبسته بودن متغیرهای تبیینی و خطای مدل بنا می‌شود. در صورت انحراف از پذیره نرمال بودن مولفه خطا، مدل رگرسیون چندکی به‌دلیل نیرومندبودن در برابر داده‌های دورافتاده، جایگزین مناسبی است. همچنین، در مواجهه با مشکل درون‌زایی ناشی از برقرار نبودن پذیره ناهمبسته بودن متغیر تبیینی و خطای مدل، استفاده از متغیرهای ابزاری ضروری است. از طرفی، روش حداقل فاصله که با کمینه کردن فاصله بین توزیع‌های مشاهده شده و برآورد متناظر آن پارامترها را برآورد می‌کند، ابزاری قدرتمند برای برازش مدل‌ها است. مقاله حاضر، روش ترکیبی رگرسیون چندکی متغیر ابزاری با حداقل فاصله را تشریح و جزئیات نظری مرتبط با آن را توضیح می‌دهد. همچنین، با استفاده از داده‌های هزینه و درآمد خانوارهای ایرانی در سال 1402، این روش با روش‌ مرسوم رگرسیون چندکی مقایسه و توانایی آن در کنترل درون‌زایی و آشکارسازی ناهمگنی تشریح می‌شود. https://andisheyeamari.irstat.ir/article_729436_633d83002f79d487399fcb707eb56de5.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 A look at the change point in second-order autoregressive model نگاهی به نقطه تغییر در مدل آتورگرسیو مرتبه دوم 729300 10.22034/jr_iss.2024.729300 FA آرزو رحمانپور دانشگاه بیرجند، دانشکده علوم ریاضی و آمار یدالله واقعی دانشگاه بیرجند، دانشکده علوم ریاضی و آمار 0000-0003-4257-2579 غلامرضا محتشمی برزادران گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد Journal Article 2025 05 01 Time series is a collection of dependent data, which, usually observed regularly. In time series analysis, there are sometimes points where the parameters of the model or the distribution of the series experience jumps or changes. From a statistical perspective, these points are referred to as change points. In practice, the number and locations of change points are unknown, and discovering and identifying them is of great importance, particularly for modeling and forecasting time series. This paper introduces the AR(2) model in the presence of change points. After that, the parameters of the AR(2) model with a known change point are estimated using the method of maximum conditional likelihood. Finally, a time series example is used to examine the parameter estimates. سری زمانی مجموعه ای از داده های وابسته است که معمولا با فواصل زمانی منظم (روزانه، هفتگی، ماهانه یا سالانه) مشاهده می شوند. در تحلیل سری های زمانی گاهی نقاطی وجود دارند که پارامترهای مدل یا توزیع سری دچار پرش یا تغییر می شود، از دیدگاه آماری به این نقاط نقطه تغییر می گویند. در عمل تعداد نقاط تغییر و مکان آنها نامعلوم بوده و کشف و شناسایی آنها از دیدگاه کاربردی به ویژه مدل بندی و پیش بینی سری زمانی از اهمیت به سزایی برخوردار می باشد. در این مقاله مدل اتورگرسیو مرتبه دوم در حضور نقطه تغییر معرفی می شود. پس از آن برآورد پارامترهای مدل AR(2) در حضور نقطه تغییر و با فرض معلوم بودن نقطه تغییر به روش درستنمایی ماکسیمم شرطی بدست می آید. در نهایت به کمک یک مثال سری زمانی (داده های عملکرد نرم افزار در طول 30 ماه) برآورد پارامترها مورد بررسی قرار می گیرند

https://andisheyeamari.irstat.ir/article_729300_1d6cc9eab1c04d1903ed85dc5c5327c4.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Application of conditional heteroscedasticity models in financial time series کاربست مدل‌های ناهم‌واریانس شرطی سری زمانی مالی 728266 10.22034/jr_iss.2024.728266 FA آرزو حاج رجبی گروه آمار، دانشگده علوم پایه، دانشگاه بینالمللی امام خمینی (ره)، قزوین، ایران صدیقه زمانی مهریان 0000-0001-9953-8203 Journal Article 2025 05 01 Due to its dynamic nature, the capital market faces more uncertainty compared to other financial markets such as bank deposits and corporate bonds; therefore, it is expected to have higher returns. This feature has led to the prediction of financial market volatility and stock prices of companies listed on the stock exchange always receiving attention from researchers and analysts. In this article, by examining the common characteristics of financial time series, the volatility of daily stock returns in the Iranian capital market is modeled. Then, the general trend of fitting the mean and volatility models of financial time series is explained. Given that variance heterogeneity is observed in many financial time series, symmetric and asymmetric conditional heteroscedasticity models will be introduced and examined. To evaluate the introduced models, Mellat Bank stock data is used and the trend of fitting different models is presented, along with sensitivity analysis to different distributions of innovation factors. Finally, after evaluating the goodness of fit of the proposed model, an in-sample forecast of Mellat Bank stock returns and volatility will be made and compared with the actual values of the series returns. بازار سرمایه به‌دلیل ماهیت پویای خود در مقایسه با سایر بازارهای مالی مانند سپرده‌های بانکی و اوراق مشارکت، با عدم قطعیت بیشتری مواجه است؛ ازاین‌رو، انتظار می‌رود بازدهی بالاتری نیز داشته باشد. این ویژگی موجب شده است که پیش‌بینی تلاطم بازار مالی و قیمت سهام شرکت‌های پذیرفته‌شده در بورس، همواره مورد توجه پژوهشگران و تحلیل‌گران قرار گیرد. در این مقاله، با بررسی ویژگی‌های مشترک سری‌های زمانی مالی به مدل‌بندی تلاطم بازده‌های روزانه سهام در بازار سرمایه ایران پرداخته می‌شود. سپس، روند کلی برازش مدل‌های میانگین و تلاطم سری‌های زمانی مالی تشریح می‌شود. با توجه به اینکه در بسیاری از سری‌های زمانی مالی، ناهمسانی واریانس مشاهده می‌شود، مدل‌های ناهم‌واریانس شرطی متقارن و نامتقارن معرفی و بررسی خواهند شد. برای ارزیابی مدل‌های معرفی‌شده، از داده‌های سهام بانک ملت استفاده شده و روند برازش مدل‌های مختلف، همراه با تحلیل حساسیت نسبت به توزیع‌های مختلف عوامل ابداع، ارائه می‌شود. در نهایت، پس از ارزیابی نیکویی برازش مدل پیشنهادی، پیش‌بینی درون‌نمونه‌ای بازده و تلاطم سهام بانک ملت انجام و با مقادیر واقعی بازده سری مقایسه خواهد شد.

https://andisheyeamari.irstat.ir/article_728266_4a9cd28c649f46e34cc41c6c60fa6ce6.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 NPV at Risk Method for Evaluation of Uncertain Investment Project: A Simulation Approach روش ارزش خالص فعلی در معرض خطر برای پروژه های سرمایه گذاری غیر قطعی: رهیافت شبیه سازی 730121 10.22034/jr_iss.2024.730121 FA رضا حبیبی موسسه عالی آموزش بانکداری ایران، بانک مرکزی ایران Journal Article 2025 05 01 In this paper, we examine how to calculate the net present value (NPV) measure in currency portfolios that include exchange rates of different currencies, and introduce the net present value at risk (NPVAR) measure. This approach provides a better perspective for those who intend to invest through the purchase of foreign bonds and face exchange rate risk. To calculate these measures and considering the non-parametric correlation between exchange rates, we first fit two types of copula functions to real time series of several currency exchange rates. Then, we generate a large number of exchange rates using Monte Carlo simulation. Finally, we present two measures, NPV and NPVAR, for portfolios containing real bonds. We also use the NPVAR method for managing bond portfolios. در این مقاله، نحوه محاسبه ملاک ارزش‌خالص‌فعلی ( NPV) در پرتفوهای ارزی که شامل نرخ تبدیل‌های ارزهای مختلف است بررسی می‌شود و ملاک ارزش‌خالص‌فعلی‌در‌معرض‌خطر ( NPVAR) معرفی می‌گردد. این رهیافت دیدگاه بهتری برای کسانی که قصد سرمایه‌گذاری از طریق خرید اوراق قرضه خارجی را دارند و با ریسک نرخ تبدیل مواجه هستند ایجاد می‌کند. برای محاسبه این ملاک‌ها و با توجه به همبستگی ناپارامتری موجود مابین نرخ‌های تبدیل ابتدا، به سری‌های زمانی واقعی چندین نرخ تبدیل ارز دو نوع تابع کاپولا برازش می‌دهیم. سپس، با استفاده از روش شبیه‌سازی مونت‌کارلو تعداد زیادی از نرخ های تبدیل را تولید می‌کنیم. در نهایت دو ملاک NPV و NPVAR را برای پرتفوهای شامل اوراق قرضه‌های واقعی ارائه می‌نماییم. همچنین، از روش NPVAR برای مدیریت پرتفوی اوراق قرضه استفاده می‌کنیم. در این مقاله، نحوه محاسبه ملاک ارزش‌خالص‌فعلی ( NPV) در پرتفوهای ارزی که شامل نرخ تبدیل‌های ارزهای مختلف است بررسی می‌شود و ملاک ارزش‌خالص‌فعلی‌در‌معرض‌خطر ( NPVAR) معرفی می‌گردد. این رهیافت دیدگاه بهتری برای کسانی که قصد سرمایه‌گذاری از طریق خرید اوراق قرضه خارجی را دارند و با ریسک نرخ تبدیل مواجه هستند ایجاد می‌کند. برای محاسبه این ملاک‌ها و با توجه به همبستگی ناپارامتری موجود مابین نرخ‌های تبدیل ابتدا، به سری‌های زمانی واقعی چندین نرخ تبدیل ارز دو نوع تابع کاپولا برازش می‌دهیم.

https://andisheyeamari.irstat.ir/article_730121_d8fcc424a7e766c78a6f90607a4b7914.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 A systematic review of the concepts of statistical literacy, statistical reasoning and statistical thinking مروری نظام مند بر مفاهیم سواد آماری، استدلال آماری و تفکر آماری 728472 10.22034/jr_iss.2024.728472 FA آناهیتا کمیجانی دانشگاه تربیت دبیر شهید رجایی 0000-0002-3713-3603 ابراهیم ریحانی گروه ریاضی دانشگاه تربیت دبیر شهید رجائی زهرا رحیمی گروه آموزش و پرورش دانشگاه علامه طباطبائی احسان بهرامی سامانی گروه آمار دانشگاه شهید بهشتی Journal Article 2025 05 01 IIn recent years, statistics education has become an important pillar of educational systems, but the fundamental concepts of statistical literacy, reasoning, and thinking are often ignored. Focusing on formulas and calculations has led to neglecting the development of critical thinking and problem-solving abilities. The aim of this descriptive study is to examine the definitions and components of statistical thinking, literacy, and reasoning. Using a systematic review method, 147 studies published between 2000 and 2024 were examined. After screening, 43 studies with the most relevance to the topic were selected for deeper analysis, which ultimately led to the extraction of 8 components from these concepts. The findings showed that the concepts of statistical literacy, reasoning, and thinking, despite their apparent differences, are intertwined and complementary to each other for understanding and analyzing data. Statistical literacy involves a basic understanding of statistics, statistical reasoning refers to the ability to provide reasons using statistics, and statistical thinking refers to the general skills in dealing with statistical problems. However, researchers have not yet reached a complete agreement, and the differences are more related to different perspectives on the learning outcomes of each of each concept در سال های اخیر، آموزش آمار به یکی از ارکان مهم نظام های آموزشی تبدیل شده است، اما مفاهیم بنیادین سواد، استدلال و تفکر آماری اغلب نادیده گرفته می شوند. تمرکز بر فرمول ها و محاسبات منجر به غفلت از توسعه توانایی های تفکر انتقادی و حل مسئله شده است. هدف این پژوهش توصیفی، بررسی تعاریف و مؤلفه های تفکر، سواد و استدلال آماری است. با به کارگیری روش مرور نظام مند، ۱۴۷ پژوهش منتشر شده بین سال های ۲۰۰۰ تا ۲۰۲۴ مورد بررسی قرار گرفت. پس از غربالگری، ۴۳ پژوهش با بیشترین ارتباط به موضوع برای تحلیل عمیق تر انتخاب شدند که در نهایت منجر به استخراج ۸ مؤلفه از این مفاهیم شد. یافته ها نشان داد که مفاهیم سواد، استدلال و تفکر آماری، با وجود تفاوت های ظاهری، در هم تنیده و مکمل یکدیگر برای درک و تحلیل داده ها هستند. سواد آماری شامل درک اولیه از آمار است، استدلال آماری به توانایی ارائه دلیل با استفاده از آمار اشاره دارد و تفکر آماری به مهارت های کلی در مواجهه با مسائل آماری مربوط است. با این حال، هنوز محققان به توافق کامل نرسیده اند و تفاوت ها بیشتر مربوط به چشم اندازهای مختلف نتایج یادگیری در هر یک از این مفاهیم است.

https://andisheyeamari.irstat.ir/article_728472_9cbe28ebc3c28dca1c9cbd595fe3d75b.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 A study on probability and non-probability sampling. مطالعه ای بر نمونه گیری های احتمالی و غیراحتمالی 729302 10.22034/jr_iss.2024.729302 FA حسن گلی ناری گروه آمار، دانشگاه بیرجند محمد خراشادیزاده گروه آمار، دانشگاه بیرجند غلامرضا محتشمی برزادران گروه آمار، دانشگاه فردوسی مشهد فرهاد مهران بیرجند Journal Article 2025 05 01 تعیین شیوه نمونه‌گیری در روش تحقیق از اهمیت بسیار زیادی برخوردار است. یک تقسیم بندی کلی از انواع روش‌های نمونه‌گیری بصورت احتمالی و غیراحتمالی است. روش‌های نمونه‌گیری احتمالی عمدتاً شناخته شده می‌باشند و مطالعات زیادی نیز در این زمینه تاکنون انجام شده است. در این روش‌ها به کمک استنباط‌هایی نتایج به‌دست آمده از نمونه به کل جامعه تعمیم پذیر است ، اما در زمینه روش‌های نمونه‌گیری غیراحتمالی علی‌رغم اهمیت کاربردهای آن و همچنین نیاز روزافزون در زمینه تحقیقات روز دنیا و از طرفی پیشینه تاریخی که دارند، مطالعات زیادی صورت نگرفته است، تا آنجا که روش‌های موجود در نمونه‌گیری غیراحتمالی در بین محققان آن طوری که باید شناخته شده نیست. از این رو در این مقاله مفهوم و فلسفه نمونه‌گیری را بیان می‌کنیم، تاریخچه‌ای از تحولات و استفاده محققان از روشهای نمونه‌گیری را مرور کرده و دلایل روی آوردن به نمونه گیری غیرتصادفی را بیان می‌کنیم. در ادامه دسته‌بندی روش‌های نمونه‌گیری احتمالی و غیراحتمالی را بیان کرده و شیوه انجام آن‌ها را به صورت مختصر توضیح می‌دهیم. در انتهای مقاله نیز، مروری بر ایده‌های جدید که به بهبود کیفیت و افزایش دقت نمونه‌‌های غیراحتمالی کمک می‌کنند خواهیم داشت.

https://andisheyeamari.irstat.ir/article_729302_5660ccdc7976908db34a3744f7191395.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Excess Wealth Transform and its Applications تبدیل ‏فزونی ثروت و کاربردهای آن 728281 10.22034/jr_iss.2024.728281 FA مجتبی اصفهانی گروه آمار دانشگاه ولایت، ایرانشهر، ایران Journal Article 2025 05 23 The excess wealth transform is an analytical tool for examining the concentration of wealth at the top end of the distribution and measuring economic inequality. This transform, as a complement to tools such as the Lorenz curve or the Gini index, is used to describe the behavior of inequality in the wealthy segment of society, especially in data with positive skewness. In this paper, the mathematical structure, statistical and mathematical properties of the excess wealth transform are examined theoretically and practically. Also, a review of the applications of this transform in economics and various concepts of reliability theory and the concepts of risk and insurance are other objectives of this paper. تبدیل فزونی ثروت ابزاری تحلیلی برای بررسی تمرکز ثروت در انتهای بالای توزیع و سنجش نابرابری‏ اقتصادی است. این تبدیل، به‌عنوان مکملی برای ابزارهایی نظیر منحنی لورنتس یا شاخص جینی، در توصیف رفتار نابرابری در بخش ثروتمند جامعه به‌ویژه در داده‌های دارای چوله مثبت کاربرد دارد. در این مقاله، به‌صورت نظری و کاربردی، ساختار ریاضی، ویژگی‌های آماری و ریاضی ‏تبدیل فزونی ثروت مورد بررسی قرار گرفته است. همچنین مرور کاربردهای این تبدیل در اقتصاد و مفاهیم مختلف نظریه قابلیت اطمینان و مفاهیم ریسک و بیمه از دیگر اهداف این مقاله است.

https://andisheyeamari.irstat.ir/article_728281_e046a36f665713688122c213b24ce96a.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Bayesian Assessment of a Skew Spatial Regression Model Based on a Flexible Closed Skew-Normal Random Field using the Hamiltonian Monte Carlo Algorithm ارزیابی بیزی مدل رگرسیون فضایی چوله با میدان تصادفی چوله گاوسی منعطف با استفاده از الگوریتم مونت‌کارلو همیلتونی 728280 10.22034/jr_iss.2024.728280 FA فاطمه حسینی دانشگاه سمنان 0000-0003-1826-4090 امید کریمی گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه سمنان، سمنان 0000-0001-7586-6587 Journal Article 2025 06 28 In practice, spatial data distributions are skewed, which, due to their inherent complexities, poses serious challenges to statistical modeling. Skew-Gaussian random field models offer a flexible framework for analyzing such data; however, many of these models suffer from computational complexity and parameter identifiability issues, which can reduce the accuracy of statistical inference. In this paper, we develop a spatial regression model based on the flexible closed skew-normal distribution. This model benefits from key properties such as full identifiability, closure under marginalization and conditioning, and high flexibility in capturing complex spatial structures. Bayesian inference is performed using the Hamiltonian Monte Carlo algorithm, a modern Markov Chain Monte Carlo method that leverages gradient information from the target distribution to improve acceptance rate and convergence speed. To assess the performance of the proposed model, a simulation study is conducted, comparing the HMC-based estimates with those obtained from classical MCMC methods. The results indicate improved accuracy and computational efficiency for the proposed approach. Moreover, the model demonstrates strong capability in analyzing high-dimensional spatial data. در عمل توزیع داده‌های فضایی دارای چولگی هستند که به‌دلیل پیچیدگی‌های ذاتی آن‌ها، مدل‌سازی آماری را با چالش‌های جدی مواجه می‌سازد. مدل‌های میدان تصادفی چوله گاوسی چارچوبی منعطف برای تحلیل این نوع داده‌ها فراهم می‌کنند، اما بسیاری از آن‌ها با مشکلاتی مانند پیچیدگی محاسباتی و عدم شناسایی‌پذیری پارامترها روبه‌رو هستند که دقت تحلیل را کاهش می‌دهد. در این مقاله، یک مدل رگرسیون فضایی بر پایه‌ی توزیع چوله نرمال بسته‌ی منعطف توسعه داده شده است که دارای مزایایی چون شناسایی‌پذیری کامل، بسته بودن تحت حاشیه‌سازی و شرطی‌سازی، و انعطاف‌پذیری بالا در مدل‌سازی ساختارهای پیچیده‌ی فضایی است. تحلیل بیزی مدل با بهره‌گیری از الگوریتم مونت‌کارلو همیلتونی انجام شده است؛ روشی پیشرفته در چارچوب الگوریتم‌های زنجیر مارکوفی که با استفاده از مشتقات توزیع هدف، نرخ پذیرش و سرعت همگرایی را افزایش می‌دهد. برای ارزیابی عملکرد مدل پیشنهادی، یک مطالعه شبیه‌سازی انجام شده و نتایج حاصل از روش مونت‌کارلو همیلتونی با روش‌های کلاسیک زنجیر مارکوفی مونت‌کارلو مقایسه شده است. نتایج بیانگر بهبود در دقت و کارایی الگوریتم پیشنهادی هستند. همچنین، مدل پیشنهادی توانایی بالایی در تحلیل داده‌های فضایی با ابعاد بالا دارد.

https://andisheyeamari.irstat.ir/article_728280_894ba372fb8c839bf60567569302260b.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Modeling the Number of Medical Visits Using Conway-Maxwell-Poisson Neural Network Regression ﻣﺪﻝ ﺑﻨﺪی ﺗﻌﺪﺍد ویزیت های پزﺷکی ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭگرﺳﯿﻮﻥ ﺷﺒکه ﻋﺼبی کانوی-مکسول-پوﺍﺳوﻦ... 732356 10.22034/jr_iss.2024.732356 FA ترنم ترابی نعمان گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران مهدی عمادی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران محمد آرشی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2025 09 13 Since many empirical and scientific analyses are based on count data, modeling such data is of great importance. Examples of these analyses include regression of the number of doctor visits based on a set of predictor variables. Obviously, access to an appropriate predictive regression model can have a significant impact on decision-making and planning. In this research, aiming to improve modeling accuracy, Poisson regression has been combined with an artificial neural network to provide a better modeling framework for count data. In this regard, a Poisson neural network regression model along with a computational algorithm is presented. To evaluate its performance in terms of parameter estimation and predictive accuracy, it is compared with two ensemble machine learning models: Random Forest and XGBoost. On the other hand, to investigate the overdispersion phenomenon, the Conway–Maxwell–Poisson neural network model was used and compared with the Poisson neural network. By implementing the aforementioned models on a real medical dataset, we demonstrate that the Conway–Maxwell–Poisson neural network regression model exhibits superior performance. از آن‌جایی که بسیاری از تحلیل‌های تجربی و علمی بر پایه داده‌های شمارشی صورت می‌گیرد، مدل‌بندی داده‌های شمارشی از اهمیت بسزایی برخوردار است. از جمله این تحلیل‌ها می‌توان به رگرسیون تعداد مراجعات به پزشک برپایه یک سری متغیر پیشگو اشاره کرد. بدیهی است دسترسی به مدل رگرسیون پیشگوی مناسب می‌تواند تاثیر زیادی بر تصمیم‌گیری‌ها و برنامه‌ریزی‌ها داشته باشد. در این پژوهش در راستای بهبود دقت مدل‌بندی، رگرسیون پواسون با شبکه عصبی ترکیب شده است تا مدل‌سازی بهتری برای داده شمارشی داشته باشیم. دراین راستا، مدل شبکه عصبی پواسون همراه با الگوریتم محاسباتی ارائه شده و به منظور ارزیابی کارایی آن از دیدگاه برآورد پارامتر و دقت پیشگویی، با دو مدل جنگل تصادفی و XGBoost از روش‌های یادگیری گروهی، مقایسه شده است. از طرفی برای بررسی پدیده بیش‌پراکنش از مدل شبکه عصبی کانوی-مکسول-پواسون استفاده کرده و با شبکه عصبی پواسون مقایسه انجام شد. با پیاده‌سازی مدل‌های فوق‌الذکربر روی یک مجموعه داده واقعی پزشکی، نشان دادیم که مدل رگرسیون شبکه عصبی کانوی-مکسول-پواسون از عملکرد بهتری برخوردار است. https://andisheyeamari.irstat.ir/article_732356_37323f26f679505ff1c17f57a9867e48.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Predicting the Nusselt Index in Plate Heat Exchangers with Machine Learning: A Comprehensive Comparative Analysis پیش‌بینی دقیق شاخص ناسلت در مبدل‌های حرارتی صفحه‌ای با استفاده از یادگیری ماشین: یک مطالعه مقایسه‌ای جامع 731525 10.22034/jr_iss.2024.731525 FA سید احسان علوی دانشکده مهندسی، دانشگاه شهید چمران اهواز، پردیس صنعتی شهدای هویزه، دشت آزادگان، ایران میثم موری شیربانی دانشکده مهندسی، دانشگاه شهید چمران اهواز، پردیس صنعتی شهدای هویزه، دشت آزادگان، ایران جلال چاچی گروه آمار، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز 0000-0003-1883-5113 Journal Article 2025 09 24 In this study, machine learning algorithms and statistical learning methods—including Linear Regression, Simple Linear Regression, Additive Regression, $M_5$ Rules, and Gaussian Process—were employed to predict the Nusselt number in plate heat exchangers. A comprehensive database consisting of experimental data from various sources was compiled and utilized. The input parameters included the chevron angle, aspect ratio of the corrugated profile, surface enlargement factor, and Reynolds number, while the Nusselt number was considered the output variable. The results indicated high accuracy of the applied models, with the $M_5$ Rules and Additive Regression methods achieving the highest correlation coefficient on the training data. These methods were also identified as the most accurate models on the test data, exhibiting the highest correlation coefficient and the lowest error. The Mean Absolute Percentage Error and Root Mean Square Error values for this model on the test data were calculated at the lowest levels. The findings of this study demonstrate that the M5 Rules method not only offers very high predictive accuracy but also, due to its transparent structure and interpretability, serves as a reliable tool for modeling heat transfer phenomena in plate heat exchangers across a wide range of operating conditions. در این پژوهش، از الگوریتم‌های یادگیری ماشین و روش‌های یادگیری آماری شامل رگرسیون خطی، رگرسیون خطی ساده، رگرسیون افزایشی، قواعد $M_5$ و فرآیند گاوسی برای پیش‌بینی عدد ناسلت در مبدل‌های حرارتی صفحه‌ای استفاده شد. یک پایگاه داده جامع متشکل از داده‌های تجربی از منابع مختلف گردآوری و به کار گرفته شد. پارامترهای ورودی شامل زاویه شِروان، نسبت ابعادی پروفیل موج‌دار، ضریب بزرگنمایی سطح و عدد رینولدز بودند و عدد ناسلت به عنوان متغیر خروجی در نظر گرفته شد. نتایج حاکی از دقت بالای مدل‌های به کار رفته بود، به‌طوری‌که در داده‌های آموزشی، بالاترین ضریب همبستگی توسط روش قواعد $M_5$ و رگرسیون افزایشی به دست آمد. این روش همچنین در داده‌های آزمایشی با بیشترین ضریب همبستگی و کمترین خطا، به عنوان دقیق‌ترین مدل شناسایی شد. مقادیر خطای مطلق میانگین و ریشه میانگین مربعات خطا برای این مدل در داده‌های آزمایشی در پایین‌ترین سطح محاسبه گردید. یافته‌های این مطالعه نشان می‌دهد که روش قواعد $M_5$ نه تنها از دقت پیش‌بینی بسیار بالایی برخوردار است، بلکه به دلیل ساختار شفاف و قابلیت تفسیرپذیری، ابزاری قابل اعتماد برای مدل‌سازی پدیده‌های انتقال حرارت در مبدل‌های حرارتی صفحه‌ای در طیف وسیعی از شرایط عملیاتی به شمار می‌رود. https://andisheyeamari.irstat.ir/article_731525_2e7062cb0dfd406b8a060fd95ce50da5.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 1 2024 08 22 Zero-Inflated Telescopic Models and Applications‎ مدل‌‌های تلسکوپی آماسیده در صفر و کاربردهای آن 732795 10.22034/jr_iss.2024.732795 FA هادی صبوری گروه آمار، دانشگاه زابل، زابل، ایران مهدی دوست پرست گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2025 09 27 Discrete inflated data are widely used in practice. One of the most essential approaches for modeling such data involves the use of models based on inflated distributions. Since the choice of the baseline distribution plays a fundamental role in defining a family of inflated distributions, the efficiency and fitting capability of the model are directly related to the baseline distribution. In most research concerning inflated data, models based on the Poisson distribution are employed. The Poisson distribution is a very powerful distribution; however, it possesses one characteristic that becomes its Achilles' heel in application. This characteristic is the equality of the mean and variance—a condition that rarely holds in real-world data. Therefore, it is necessary to seek an alternative to the Poisson distribution, and what better alternative than a broad family of distributions with greater flexibility? One such candidate is the family of Telescopic distributions.‎‎ ‎In this research, the family of Telescopic distributions is used as the baseline distribution to define a general class of discrete inflated models. This family includes distributions that have been less frequently used as baseline distributions (such as the discrete Weibull distribution). Moreover, these distributions are also used as lifetime distributions. Additionally, due to their connection with an important family of continuous distributions, they encompass a wide spectrum of other statistical distributions. The breadth of this family is a significant advantage. Thus, if the Telescopic family is used as the baseline distribution for defining inflated models, there will be numerous new models available for fitting any discrete inflated (and even non-inflated) dataset. It is worth noting that this research also briefly addresses a regression model based on the mixing parameter‎.‎‎ داده‌های گسسته آماسیده در عمل‏‏، به طور گسترده مورد استفاده قرار می‌گیرند. یکی از ضروری‌ترین روش‌های مدل‌سازی برای این داده‌ها استفاده از مدل‌های مبتنی بر توزیع‌های آماسیده است. از آنجا که انتخاب توزیع پایه نقش اساسی در تعریف یک خانواده از توزیع‌های آماسیده دارد، بنابراین کارایی و توانایی برازش آن مستقیماً‎‏ با توزیع پایه مرتبط است. در بیشتر تحقیقات مربوط به داده‌های آماسیده، مدل‌هایی مبتنی بر توزیع پواسن استفاده می‌شود. توزیع پواسن توزیع بسیار قدرتمندی است، اما یک ویژگی دارد که همان ویژگی به پاشنه آشیل این توزیع در کاربرد بدل می‌شود. این ویژگی برابری واریانس و میانگین است. معمولا این شرط در عمل برای داده‌های واقعی به ندرت برقرار است. پس باید به دنبال یک جایگزین برای توزیع پواسن بود. چه بهتر که این جایگزین یک خانواده گسترده از توزیع‌ها با قابلیت‌های بیشتر باشد. یکی از این گزینه‌ها‏، خانواده توزیع‌های تلسکوپی است. در این تحقیق، از خانواده توزیع‌های تلسکوپی به عنوان توزیع پایه برای تعریف یک رده عمومی از مدل‌های گسسته آماسیده استفاده می‌شود. این خانواده شامل توزیع‌هایی است که کمتر به عنوان توزیع پایه استفاده شده‌اند (مانند توزیع وایبول گسسته). از طرفی این خانواده به عنوان توزیع طول عمر نیز استفاده می‌شوند. همچنین به دلیل ارتباط با خانواده‌ای مهم از توزیع‌های پیوسته، طیف گسترده‌ای از سایر توزیع‌های آماری را نیز شامل می‌شود. وسعت این خانواده یک مزیت بزرگ برای آن محسوب می‌شود. بنابراین، اگر از خانواده تلسکوپی به عنوان توزیع پایه برای تعریف مدل‌های آماسیده استفاده شود، https://andisheyeamari.irstat.ir/article_732795_91c52a69205e5cd60f1f7fc95f914c4b.pdf