انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 Performance evaluation of combined control chart based on MRL and SDRL criteria for a normal qualitative variable ارزیابی عملکرد نمودار کنترل ترکیبی بر اساس معیارهای MRL و SDRL برای متغیر کیفی نرمال 1 15 733257 10.22034/aa.2025.733257 FA نادر مرادی تولائی گروه مهندسی صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران ابراهیم صالحی گروه مهندسی صنایع، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران 0000-0002-3874-0106 Journal Article 2025 10 13 In industrial environments, achieving high-quality production requires continuous monitoring of processes to reduce waste and increase productivity. Statistical quality control serves as an effective tool for process evaluation, and the control chart, as one of its main tools, plays a significant role in identifying and monitoring process changes. The objective of this study is to evaluate the performance of a hybrid control chart obtained by combining Double Moving Average and Exponentially Weighted Moving Average control charts. To assess the performance of control charts, the run length is first calculated using Monte Carlo simulation. Then, the new metrics of Median Run Length and Standard Deviation of Run Length, alongside the common metric of Average Run Length, are obtained for them, and the capability of control charts in detecting small process shifts based on these new metrics has been evaluated. The results indicate that hybrid control charts are more sensitive than those presented in previous literature in detecting small shifts and represent a more effective tool for enhancing quality and continuous improvement of production processes. در محیط‌های صنعتی، دستیابی به تولیدات با کیفیت نیازمند نظارت مستمر بر فرایندها برای کاهش ضایعات و افزایش بهره‌وری است. کنترل کیفیت آماری ابزاری مؤثر برای ارزیابی فرایندها به‌شمار می‌آید و نمودار کنترل به‌عنوان یکی از ابزارهای اصلی آن، نقش مهمی در شناسایی و نظارت تغییرات فرایند ایفا می‌کند. هدف این مقاله، ارزیابی عملکرد نمودار کنترل ترکیبی حاصل از تلفیق نمودارهای میانگین متحرک دوگانه و میانگین متحرک موزون نمایی‎، می‌باشد.‎ برای ارزیابی عملکرد نمودارهای کنترل، ابتدا طول دنباله با استفاده از شبیه‌سازی مونت‌کارلو محاسبه می‌شود. سپس، معیارهای جدید میانه طول دنباله و انحراف معیار طول دنباله، در کنار معیار رایج متوسط طول دنباله، برای آنها به‌دست آمده و توانایی نمودارهای کنترل در شناسایی تغییرات کوچک فرایند براساس این معیارهای جدید مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که نمودارهای کنترل ترکیبی نسبت به نمودارهای ارائه شده در متون قبلی، در شناسایی تغییرات کوچک حساس‌تر بوده و ابزاری مؤثرتری برای ارتقاء کیفیت و بهبود مستمر فرایندهای تولید می‌باشند. https://andisheyeamari.irstat.ir/article_733257_c006e6ab906cd1236f3da6b5387c1026.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 Familiarity with Mobile Positioning Data in the Production of Official Statistics آشنایی با داده‌های موقعیت‌یابی تلفن همراه در تولید آمار رسمی 16 41 732975 10.22034/aa.2025.732975 FA یاسین محمدآقایی گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشکدگان علوم، دانشگاه تهران زهرا رضائی قهرودی گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشکدگان علوم، دانشگاه تهران 0000-0002-9138-8535 Journal Article 2025 09 26 The rapid expansion of mobile communication technologies has led to the continuous generation of large volumes of location data by mobile network users. When used properly and legally, these data provide a valuable source for producing official statistics in areas such as migration, tourism, crisis mobility, transportation, and crisis management. The present paper is designed to explore the potentials and limitations of employing mobile positioning data and to outline a methodological framework for producing statistics based on these data within the national statistical system. Given the lack of Persian references in this field, this study seeks to provide a practical framework for the use of mobile phone data in the production of official statistics through a comprehensive review of international literature and the analysis of a real dataset. Within this framework, various types of mobile phone data and their applications in statistical production are introduced, and the legal, ethical, and technical requirements for their use are examined. Furthermore, the methodology for extracting and processing mobile positioning data is described, and a case study based on a dataset related to urban mobility patterns is presented. The main contribution of this research lies in documenting practical experiences and transferring technical knowledge to support the localization and application of such data within the national statistical system.<br>The case study showed that crises significantly reduce users’ mobility, with fewer individuals moving and travel concentrated in specific areas. با گسترش فناوری‌های ارتباطی و افزایش ضریب نفوذ تلفن همراه، حجم زیادی از داده‌های موقعیت‌یابی در جوامع تولید می‌شود. در صورت استفاده صحیح و قانونی، این داده‌ها منبعی ارزشمند برای تولید آمار رسمی در حوزه‌هایی مانند مهاجرت، گردشگری، جابجایی در بحران، حمل‌ونقل و مدیریت بحران هستند. مقاله حاضر با هدف بررسی ظرفیت‌ها و محدودیت‌های به‌کارگیری داده‌های موقعیت‌یابی تلفن همراه و تبیین روش‌شناسی تولید آمار مبتنی بر این داده‌ها در نظام آماری کشور تدوین شده است.<br>با توجه به نبود منابع فارسی در این حوزه، این پژوهش تلاش می‌کند تا با مرور جامع ادبیات بین‌المللی و تحلیل یک مجموعه‌داده واقعی، چارچوبی کاربردی برای استفاده از داده‌های تلفن همراه در تولید آمار رسمی ارائه دهد.<br>در این چارچوب، ضمن معرفی انواع داده‌های تلفن همراه و مرور کاربردهای آن‌ها در تولید آمار، الزامات قانونی، اخلاقی و فنی بهره‌گیری از این داده‌ها، مورد بررسی قرار گرفته است. همچنین، روش‌شناسی استخراج و پردازش داده‌های موقعیت‌یابی تلفن همراه تشریح شده و مطالعه‌ای موردی بر پایه مجموعه‌داده مرتبط با الگوهای تحرک شهری انجام شده است. دستاورد اصلی پژوهش، مستندسازی تجربیات و انتقال دانش فنی برای بومی‌سازی و بهره‌برداری از این نوع داده‌ها در نظام آماری کشور است. <br>مطالعه موردی نشان داد که بحران‌ها به‌طور قابل‌توجهی تحرک کاربران را کاهش می‌دهند، به‌طوری که تعداد افرادی که جابه‌جایی دارند کمتر شده و ترددها در مناطق خاصی متمرکز می‌شود. https://andisheyeamari.irstat.ir/article_732975_8f461021767c32b41b49bcfe510a2f8f.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 Analysis of Hydrological Variables and Soil Properties Using Spatial Ridge and Support Vector Regression Methods تحلیل متغیرهای هیدرولوژیکی و خصوصیات خاک با روش‌های رگرسیون ریج و بردارپشتیبان فضایی 42 53 733260 10.22034/aa.2026.733260 FA مهدی روزبه گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه سمنان، سمنان، ایران آرش عامری گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه سمنان، سمنان، ایران Journal Article 2025 11 12 Traditional statistical methods have faced serious challenges due to the expansion of spatial data with complex spatiotemporal structure. These data require specialized methods due to spatial autocorrelation, variance heterogeneity, and complex geographical dependencies. In this study, support vector regression is introduced as a novel approach for analyzing and modeling the complex spatial structure of geostatistical data related to soil calcium and magnesium contents. This analysis is performed based on different geographical coordinates (east–west and north–south), at two depths of 0–20 cm and 20–40 cm, and across three distinct geographical regions. The support vector regression method, with its capability to model complex nonlinear relationships while preserving the spatial structure of the data, allows for more accurate and realistic prediction of the nutrient elements' distribution in soil. This approach, utilizing kernel functions, enables the analysis of high-dimensional feature spaces and structural complexities, proving its effectiveness against noise and outliers. To accurately measure the efficiency of support vector regression, its performance is compared against ridge regression. روش‌های سنتی آماری با گسترش داده‌های فضایی با ساختار مکانی-زمانی پیچیده با چالش‌های جدی مواجه شده‌اند. این داده‌ها به دلیل خودهمبستگی مکانی، ناهمسانی واریانس و وابستگی‌های جغرافیایی پیچیده، نیازمند روش‌های تخصصی هستند. در این پژوهش، رگرسیون بردار پشتیبان به‌عنوان یک روش نوین برای تحلیل و مدل‌سازی ساختار پیچیدی فضایی داده‌های زمین آماری مربوط به مقادیر کلسیم و منیزیم موجود در خاک معرفی می‌شود. این تحلیل بر اساس مختصات جغرافیایی مختلف (شرقی–غربی و شمالی–جنوبی)، در دو عمق ۰ تا ۲۰ و ۲۰ تا ۴۰ سانتی‌متر و در سه منطقه‌ی جغرافیایی متنوع انجام گرفته است. روش رگرسیون بردار پشتیبان با توانایی مدل‌سازی روابط غیرخطی پیچیده و در عین حال حفظ ساختار فضایی داده‌ها، امکان پیش‌بینی دقیق‌تر و واقع‌بینانه‌تر توزیع عناصر تغذیه‌ای خاک را فراهم می‌سازد. این رویکرد، با بهره‌گیری از توابع هسته، قابلیت تحلیل فضاهای ویژگی با ابعاد بالا و پیچیدگی‌های ساختاری را فراهم می‌آورد و اثربخشی خود را در برابر جملات اختلال و داده‌های پرت اثبات می‌کند. برای سنجش دقیق کارایی رگرسیون بردار پشتیبان، عملکرد آن در برابر رگرسیون ریج مورد ارزیابی مقایسه‌ای قرار می‌گیرد. https://andisheyeamari.irstat.ir/article_733260_2c3eddc7ab0e0c03c494cc80abdd015f.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 The Principle of Insufficient Reason and its Challenges اصل دلیلی ناکافی و چالش های آن 54 60 734247 10.22034/aa.2026.734247 FA رحیم چینی پرداز گروه آمار، دانشگاه شهید چمران اهواز، اهواز، ایران بهزاد منصوری گروه آمار، دانشگاه شهید چمران اهواز، اهواز، ایران Journal Article 2025 11 09 The principle of insufficient reason, or indifference principle, is not an axiom of probability but the basis for the definition of classical (logical) probability. Bayesian statisticians also follow the principle of using uniform distributions when there is no a priori information about the parameter. Is this principle acceptable to statistical philosophers?. Several paradoxes have been proposed to refute this principle. Although these paradoxes have not been resolved, the principle is still the basis of the most important definition of probability, classical probability. In this article, this principle, its origin, and paradoxes are evaluated. اصل دلیل ناکافی یا اصل بی تفاوتی، یک اصل اولیه احتمال نیست. اما پایه و اساس تعریف احتمال کلاسیک (منطقی) است. آیا این اصل از نظر فلاسفه آمار قابل قبول است؟ چندین پارادکس در رد این اصل ارائه شده است. با وجود اینکه پارادکس ها رفع نشده اند، اما هنوز مهم ترین تعریف از احتمال، احتمال کلاسیک است. در این مقاله اصل دلیل ناکافی، منشا و پارادکس های آن مورد ارزیابی قرار می گیرد. https://andisheyeamari.irstat.ir/article_734247_a1ace5085ca4bbc347a95fd0664987d0.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 The Footprint of Artificial Intelligence in School Statistics Education ردپای هوش مصنوعی در آموزش آمار مدرسه‌ای 61 87 735098 10.22034/aa.2026.2074220.1015 FA نرگس یافتیان گروه ریاضی، دانشکده علوم، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران 0000-0003-2204-1105 آناهیتا کمیجانی گروه ریاضی، دانشکده علوم، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران 0000-0002-3713-3603 ریحانه نیکنام اسکوئی گروه ریاضی، دانشکده علوم، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران 0009-0001-2100-7709 Journal Article 2025 10 10 This study was conducted with the aim of qualitatively examining and comparing the performance of several AI-based tools in teaching the concepts of variance and standard deviation, using a qualitative approach and case study method. The statistical population consisted of AI-based tools applicable in statistics education. Sampling was purposeful, based on accessibility and the ability to generate statistical content, and five tools—Gemini, ChatGPT, MathGPT, MagicSchool, and DeepSeek—were selected. Data were collected using four input prompts, and to evaluate the AI responses to these prompts, criteria such as clarity, engagement, structure, interactivity, real-world relevance, and appropriateness for students were employed. Data analysis was performed through coding with the assistance of MAXQDA software, and the reliability of the analyses was confirmed with a kappa coefficient of 0.8. The findings indicated that AI tools can enhance statistics learning by providing engaging and real-world-relevant content, though they have limitations such as lack of creativity or insufficient accuracy. Overall, in this domain, the tools exhibited varying performance. Gemini and DeepSeek performed relatively better in delivering precise and coherent lesson plans, ChatGPT in designing analytical questions and attractive visual images, MagicSchool in facilitating group activities and addressing common errors, and MathGPT in providing comprehensible content related to the concepts of variance and standard deviation. Combining these tools with teacher supervision—which is essential for maintaining academic integrity—can strengthen statistical literacy and critical thinking, preparing students to face the challenges of a data-driven world. این مطالعه با هدف بررسی و مقایسه کیفی عملکرد چند ابزار مبتنی‌بر هوش مصنوعی در آموزش مفاهیم واریانس و انحراف معیار با رویکرد کیفی و به روش مطالعه موردی انجام شد. جامعه آماری، ابزارهای مبتنی بر هوش مصنوعی با کاربرد در آموزش آمار بود. نمونه‌گیری به‌صورت هدفمند و بر اساس دسترسی‌پذیری و توانایی تولید محتوای آماری انجام و پنج ابزار Gemini، ChatGPT، MathGPT، MagicSchool و DeepSeek انتخاب شد. داده‌ها نیز با چهار دستور ورودی جمع‌آوری شد و برای ارزیابی پاسخ‌های هوش مصنوعی به این چهار دستور ورودی، از معیارهایی مانند وضوح، جذابیت، ساختار، تعامل، ارتباط با دنیای واقعی و تناسب با دانش‌آموزان استفاده شد. تحلیل داده‌ها با استفاده از کدگذاری به کمک نرم‌افزار MAXQDA انجام شد و پایایی تحلیل‌ها با ضریب کاپا (8/0) تأیید گردید. یافته‌ها نشان داد که ابزارهای هوش مصنوعی می‌توانند با ارائه محتوای جذاب و مرتبط با دنیای واقعی، یادگیری آمار را بهبود بخشند، اما محدودیت‌هایی نظیر کمبود خلاقیت یا دقت ناکافی دارند. به طور کلی، در این زمینه، ابزارهای مختلف عملکرد متفاوتی از خود نشان دادند. Gemini و DeepSeek در ارائه طرح درس‌های دقیق و منسجم، ChatGPT در طراحی سؤالات تحلیلی و تصاویر بصری جذاب، MagicSchool در تسهیل فعالیت‌های گروهی و اصلاح خطاهای رایج، و MathGPT در ارائه محتوای قابل درک در ارتباط با مفاهیم واریانس و انحراف معیار، عملکرد نسبتاً بهتری داشته‌اند. ترکیب این ابزارها با نظارت معلم که برای حفظ سلامت آکادمیک ضروری است، می‌تواند سواد آماری و تفکر انتقادی را تقویت کرده و آنها را برای مواجهه با چالش‌های دنیای داده‌محور آماده کند. https://andisheyeamari.irstat.ir/article_735098_4d59c9e4b5ebb6f5eb639fa74bcfd3d5.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2026 09 05 Deep neural network survival for emergency response time prediction پیش‌بینی زمان پاسخگویی اورژانس با استفاده از شبکه عصبی عمیق بقا 88 109 736944 10.22034/aa.2026.2077319.1019 FA فاطمه محمدی گروه آموزشی آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، شهر مشهد استان خراسان رضوی محمد آرشی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران آرزو حبیبی راد گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد، مشهد، ایران ابوالفضل محمدزاده مقدم گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article Emergency response time in traffic accidents is one of the key determinants of the quality of pre-hospital emergency medical services. Predicting this time enables decision-makers to improve the efficiency of emergency services and reduce response time. The data related to emergency response time are a type of time-to-event data, whose main characteristic is their dependency on duration. To account for this feature, baseline hazard models are commonly used; however, the performance of these models may be limited due to their underlying assumptions. In contrast, machine learning models serve as an alternative approach for modeling emergency response time. Their main advantage is that they are not constrained by the restrictive assumptions of baseline hazard models and can capture nonlinear and interactive relationships among variables. In this study, a survival-based neural network model was employed to simultaneously estimate the survival function and predict emergency response time. By utilizing the concept of multi-task learning, this model can account for duration dependence while predicting response time through the concurrent estimation of the survival function. Using 28,505 traffic accident reports recorded by the Mashhad Emergency Medical Services, the performance of the proposed model was evaluated and compared with statistical models and other machine learning methods. The results indicate that the proposed model can serve as an effective alternative to traditional approaches for predicting emergency response time. زمان پاسخگویی اورژانس در حوادث ترافیکی، یکی از عوامل تعیین‌کننده در کیفیت خدمات پزشکی اورژانس پیش‌بیمارستانی به‌شمار می‌رود. پیش‌بینی این زمان به تصمیم‌گیرندگان امکان می‌دهد تا با بهبود کارایی خدمات فوریت‌های پزشکی، زمان پاسخگویی را کاهش دهند. داده‌های مربوط به زمان پاسخگویی اورژانس از نوع داده‌های زمان تا رویداد هستند. یکی از ویژگی‌های اصلی این داده‌ها، وابستگی آن‌ها به مدت زمان است. برای در نظر گرفتن این ویژگی، معمولاً از مدل‌های نرخ خطر مبنا استفاده می‌شود؛ با این حال، عملکرد این مدل‌ها با توجه به فرضیاتی که دارند ممکن است با محدودیت‌هایی همراه باشد. در مقابل، مدل‌های یادگیری ماشین به‌عنوان رویکردی جایگزین برای مدل‌سازی زمان پاسخگویی اورژانس هستند. مزیت اصلی این مدل‌ها در آن است که به فرضیات محدودکننده مدل‌های نرخ خطر مبنا وابسته نیستند و می‌توانند روابط غیرخطی و تعاملی میان متغیرها را در نظر بگیرند. در این مطالعه از یک مدل شبکه عصبی مبتنی بر تحلیل بقا استفاده شده است که به‌طور هم‌زمان توانایی برآورد تابع بقا و پیش‌بینی زمان پاسخگویی اورژانس را دارد. این مدل با بهره‌گیری از مفهوم یادگیری چند وظیفه‌ای می‌تواند وابستگی به مدت زمان را هنگام پیش‌بینی زمان پاسخگویی، از طریق برآورد هم‌زمان تابع بقا در نظر بگیرد. با تحلیل ‏تعداد 28505 گزارش مربوط به تصادفات ثبت‌شده در اورژانس شهر مشهد، عملکرد مدل ارائه شده بررسی و با مدل‌های آماری و سایر روش‌های یادگیری ماشین مقایسه شده است. نتایج نشان می‌دهد که مدل ارائه‌شده می‌تواند به‌عنوان جایگزینی کارآمد برای روش‌های متداول در پیش‌بینی زمان پاسخگویی اورژانس مورد استفاده قرار گیرد. https://andisheyeamari.irstat.ir/article_736944_164e488f661f2e907e2d1cd362e204aa.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 An Approach to Estimation of Expected Shortfall based on value at risk and time series ARMA − GARCH model رویکردی برای برآورد کمبود مورد انتظار بر اساس ارزش در معرض خطر و مدل های سری زمانی ARMA-GHARCH 110 126 736945 10.22034/aa.2026.2059415.1000 FA فاطمه علیزاده گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد غلامرضا محتشمی برزادران گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد محمد امینی گروه آمار، دانشکده علوم ریاضی، دانشگاه فردوسی مشهد 0000-0002-8336-201X Journal Article 2025 04 30 Risk management is an important process for making investment decisions, which includes analyzing the risk in an investment and deciding whether or not to accept that risk in light of the expected returns for the investment. There are various parametric, non-parametric and semi-parametric methods for measuring and analyzing risk in financial markets, but the two main and widely used methods are value at risk and expected shortfall. In this article, a method for estimating<br>the expected shortfall is presented, in which different value-at-risk estimation methods and ARMA − GARCH time series models are used to predict future fluctuations. Finally, this method is tested on real data and its superiority over the parametric method is shown by the feedback test. مدیریت ریسک فرآیندی مهم برای تصمیم گیری درمورد سرمایه گذاری محسوب می شود که شامل تجزیه و تحلیل ریسک در یک سرمایه گذاری و تصمیم گیری در مورد پذیرش یا عدم پذیرش آن ریسک با توجه به بازده مورد انتظار برای سرمایه گذاری است. روش های پارامتری، ناپارامتری و نیمه پارامتری مختلفی برای اندازه گیری و تحلیل ریسک در بازارهای مالی وجود دارد، اما دو روش اصلی و پرکاربرد، ارزش در معرض خطر و کمبود مورد انتظار هستند. در این مقاله، روشی برای برآورد کمبود مورد انتظار ارائه می شود که در آن از روش های مختلف برآورد ارزش در معرض خطر و از مدل های سری زمانی GARCH − ARMA برای پیش بینی نوسانات آینده استفاده می شود. در نهایت، این روش بر روی داده های واقعی آزمایش شده و با آزمون بازخور برتری آن نسبت به روش پارامتری نشان داده می شود. در نهایت، این روش بر روی داده های واقعی آزمایش شده و با آزمون بازخور برتری آن نسبت به روش پارامتری نشان داده می شود. https://andisheyeamari.irstat.ir/article_736945_55ad2b215a6c2481412195655c17ab26.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 Nonlinear Regression Modeling Using Bayesian Neural Networks and Comparative Analysis of Sampling and Variational Inference مدل‌بندی رگرسیون غیرخطی با شبکه‌های عصبی بیزی و مقایسه رویکردهای نمونه‌گیری و واریاسیونی 127 143 737138 10.22034/aa.2026.2084110.1027 FA امید کریمی گروه آمار، دانشگاه سمنان، سمنان، ایران 0000-0001-7586-6587 فاطمه حسینی گروه آمار، دانشگاه سمنان، سمنان، ایران 0000-0003-1826-4090 Journal Article 2026 01 30 Modeling nonlinear data, due to the presence of complex relationships and latent structures, requires approaches that go beyond classical linear models. In this study, the Bayesian neural network framework is employed to evaluate the performance of different Bayesian inference methods for nonlinear modeling. Three widely used approaches in this area, namely Hamiltonian Monte Carlo, the adaptive No-U-Turn Sampler, and Variational Inference, are implemented and compared within a nonlinear regression framework. The analysis is conducted using both simulated and real-world datasets, and the methods are evaluated based on predictive accuracy, quality of posterior approximation, and computational efficiency. The results indicate that sampling-based methods provide more accurate approximations of the posterior distribution, particularly in terms of uncertainty quantification, whereas variational inference, despite a slight reduction in accuracy, offers competitive performance due to its high computational efficiency and rapid convergence. مدل‌سازی داده‌های غیرخطی، به دلیل وجود روابط پیچیده و ساختارهای پنهان، مستلزم بهره‌گیری از رهیافت‌هایی فراتر از مدل‌های خطی کلاسیک است. در این پژوهش، به‌منظور ارزیابی عملکرد روش‌های مختلف استنباط بیزی در مدل‌سازی غیرخطی، از چارچوب شبکه‌های عصبی بیزی استفاده شده است. سه روش پرکاربرد در این حوزه شامل الگوریتم همیلتونی مونت‌کارلو، نمونه‌گیری تطبیقی بدون بازگشت و استنباط واریاسیونی، در قالب یک مدل رگرسیون غیرخطی پیاده‌سازی و با یکدیگر مقایسه شده‌اند. تحلیل‌ها بر روی داده‌های شبیه‌سازی‌شده و همچنین یک مجموعه‌داده واقعی انجام شده و عملکرد روش‌ها بر اساس معیارهایی همچون دقت پیش‌بینی، کیفیت برآورد توزیع پسین و زمان محاسباتی مورد ارزیابی قرار گرفته است. نتایج نشان می‌دهد که روش‌های مبتنی بر نمونه‌گیری، به‌ویژه در تقریب دقیق‌تر توزیع پسین، عملکرد مطلوب‌تری دارند و در مقابل، استنباط واریاسیونی با وجود اندکی افت در دقت نسبت به روش‌های نمونه‌گیری، به دلیل سرعت محاسباتی بالا و همگرایی سریع، برآوردهای قابل قبولی ارائه می‌دهد. https://andisheyeamari.irstat.ir/article_737138_74560e61a16aa26ebd6887ad931d9585.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 A Review of Directional Copulas and Their Applications مروری بر مفصل‌های جهتی و کاربردهای آنها 144 176 737336 10.22034/aa.2026.2084514.1029 FA نجیب الله کریمی گروه آمار، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران علی دست برآورده گروه آمار، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران 0000-0002-4976-9473 علی دولتی گروه آمار، دانشکده علوم ریاضی، دانشگاه یزد، یزد، ایران 0000-0003-3220-3171 Journal Article 2026 02 03 Directional data (angular data), including circular and spherical data, have applications in many scientific fields such as ecology, medicine, biology, meteorology, finance, astronomy, geosciences, machine learning, and artificial intelligence. Modeling dependencies among such data has always faced fundamental challenges due to the periodic and nonlinear nature of angles. In recent decades, copulas have gained a prominent place in statistics as powerful tools for separating marginal structures from joint dependence. However, generalizing copulas to directional data—including circular–linear, circular–circular, and spherical–spherical copulas—has followed a complex and ongoing research path. In this paper, using a temporal–thematic approach, the historical development, construction methods, applications, dependence measures, estimation methods, and goodness-of-fit tests for directional copulas are reviewed. داده‌های جهتی (زاویه‌ای)، شامل داده‌های دایره‌ای و کروی، در بسیاری از حوزه‌های علمی مانند بوم‌شناسی، پزشکی، زیست‌شناسی، هواشناسی، بخش‌های مالی، نجوم، علوم زمین، یادگیری ماشین و هوش مصنوعی کاربرد دارند. مدل‌سازی وابستگی بین چنین داده‌هایی به دلیل ماهیت تناوبی و غیرخطی زوایا، همواره با چالش‌های اساسی روبه‌رو بوده است. در دهه‌های اخیر، مفصل‌ها به‌عنوان ابزاری نیرومند برای جداسازی ساختارهای حاشیه‌ای از وابستگی توأم، جایگاه ویژه‌ای در آمار یافته‌اند. با این حال، تعمیم مفصل‌ها به داده‌های جهتی، شامل مفصل‌های دایره‌ای-خطی، دایره‌ای-دایره‌ای و کروی-کروی، مسیر پژوهشی پیچیده و پیوسته‌ای را طی کرده است. در این مقاله، با رویکرد زمانی-موضوعی، سیر تاریخی، روش‌های ساخت، کاربردها، معیارهای وابستگی، روش‌های برآوردیابی و آزمون‌های نیکویی برازش برای مفصل‌های جهتی مرور می‌شود. https://andisheyeamari.irstat.ir/article_737336_f909ef27aad48f2ca818cd96a0970325.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 Parameter Estimation of the Beta Marshall-Olkin Extended Log-Logistic Distribution برآورد پارامترهای توزیع لگ-لجستیک تعمیم یافته بتا مارشال-اولکین 177 190 737343 10.22034/aa.2026.2075111.1017 FA ناهید سنجری فارسی پور گروه آمار-دانشکده علوم ریاضی-دانشگاه الزهرا- تهران زهرا مرادی گروه آمار، دانشکده علوم ریاضی، دانشگاه الزهرا، تهران، ایران Journal Article 2025 10 19 In this article, we define a new family of models, called the beta Marshall-Olkin extended log-logistic family of distributions (BMO-LL), by adding three shape parameters that generalize some well-known distributions in statistics, such as the log-logistic distribution. We obtain estimates of the model parameters using the methods of moments, maximum likelihood, and Bayesian. Finally, we fit some specific models in the new family to a real datasets to demonstrate their flexibility in fitting to the life data. It is found that the BMO-LL model fits better than competing models, so it can be considered as a suitable distribution for fitting to the life data. در این مقاله یک خانواده جدید از توزیع‌ها به نام خانواده توزیع‌های لگ-لجستیک تعمیم‌یافته بتا مارشال-اولکین با اضافه کردن سه پارامتر شکل تعریف شده است. این توزیع تعمیمی از برخی توزیع‌های معروف مانند توزیع لگ-لجستیک است. برآورد پارامترهای این مدل با استفاده از روش‌های گشتاوری، ماکسیمم درستنمایی و بیزی ارائه شده و با یکدیگر مقایسه شده است. این مدل به یک مجموعه داده واقعی برازش می‌شود تا انعطاف‌پذیری آن در برازش به داده‌های طول عمر نسبت به برخی توزیع‌های رقیب نشان داده شود. مشخص شد که این مدل، نسبت به مدل‌های رقیب، برازش بهتری به داده‌ها دارد، بنابراین مدل گ-لجستیک تعمیم‌یافته بتا مارشال-اولکین می‌تواند به عنوان یک مدل مناسب برای برازش به داده‌های طول عمر در نظر گرفته شود. https://andisheyeamari.irstat.ir/article_737343_5bc7f0727334adbf4fe5a1df24146b7b.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 Application of Bayesian Multiple-Instance Regression Based on Shotgun Stochastic Search for Joint Instance and Variable Selection: A Case Study on Burn-Injury Data کاربرد رگرسیون چندنمونه ای بیزی مبتنی بر جستجوی تصادفی شات گان در انتخاب همزمان نمونه و متغیر: مطالعه موردی داده های سوختگی 191 214 737344 10.22034/aa.2026.2081276.1022 FA فریبا کرمی گروه ریاضی و آمار، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران 0000-0003-4235-8556 سید روح‌الله روزگار گروه ریاضی و آمار، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران 0000-0003-4235-8556 Journal Article 2025 12 22 One of the main challenges in multi-instance regression is the simultaneous selection of influential instances within each bag and predictors associated with the response. In this study, the Bayesian multi-instance regression framework based on Shotgun Stochastic Search (MIR-SSS) was applied to analyze data from burn patients, and its performance was compared with two benchmark methods, namely Aggregated Predictive Weighting (APW) regression and LASSO applied to bag-level representations. Within this framework, variable selection is performed using spike-and-slab priors, whereas instance selection is carried out through a logistic model. The methods were first evaluated under four simulation scenarios with different levels of sparsity and variability and were subsequently applied to real data from 2,024 patients admitted to Amir al-Momenin Burn Hospital in Shiraz, Iran. Simulation results showed that the MIR-SSS model achieved the lowest prediction error and high accuracy in selecting relevant variables under the baseline scenarios. However, under conditions of high variability and the presence of outliers, the APW method demonstrated superior predictive performance in terms of prediction error. The area under the ROC curve also confirmed the model's ability to identify influential instances. In the real-data analysis, MIR-SSS outperformed the two benchmark methods in predictive performance and identified several clinical factors associated with patient outcomes. The results indicate that this framework provides an interpretable tool for the simultaneous selection of instances and variables and enables uncertainty quantification in the analysis of complex medical data. یکی از چالش‌های اصلی در رگرسیون چندنمونه‌ای، انتخاب همزمان نمونه‌های مؤثر درون هر کیسه و متغیرهای مرتبط با پاسخ است. در این پژوهش، چارچوب رگرسیون چندنمونه‌ای بیزی مبتنی بر جستجوی تصادفی شات‌گان (MIR-SSS) برای تحلیل داده‌های بیماران سوختگی به کار گرفته شد و عملکرد آن با دو روش مرجع شامل رگرسیون وزنی تجمیعی (APW) و لاسو بر روی نمایش سطح بسته مقایسه گردید. در این چارچوب، انتخاب متغیرها با استفاده از پیشین اسپایک-اسلب و انتخاب نمونه‌ها از طریق مدل لوژستیک انجام می‌شود. عملکرد روش‌ها ابتدا در چهار سناریوی شبیه‌سازی با سطوح مختلف تنکی و پراکندگی و سپس بر روی داده‌های واقعی 2024 بیمار بستری در بیمارستان سوختگی امیرالمؤمنین شیراز بررسی شد. نتایج شبیه‌سازی نشان داد که مدل MIR-SSS در سناریوهای پایه کمترین خطای پیش‌بینی و دقت بالایی در انتخاب متغیرهای مؤثر دارد، هرچند در شرایط پراکندگی بالا و حضور داده‌های پرت، روش APW از نظر خطای پیش‌بینی عملکرد بهتری نشان داد. مقادیر سطح زیر منحنی ROC نیز توانایی مدل در شناسایی نمونه‌های مؤثر را تأیید کرد. در تحلیل داده‌های واقعی، مدل MIR-SSS نسبت به دو روش مرجع عملکرد پیش‌بینی بهتری ارائه داد و چندین عامل بالینی مرتبط با پیامد بیماران را شناسایی کرد. نتایج نشان می‌دهد که این چارچوب ابزاری تفسیرپذیر برای انتخاب همزمان نمونه‌ها و متغیرها بوده و امکان کمی‌سازی عدم‌قطعیت را در تحلیل داده‌های پیچیده پزشکی فراهم می‌کند. https://andisheyeamari.irstat.ir/article_737344_5a80ea8ee893d52aa83311165e2e636f.pdf

انجمن آمار ایران اندیشه آماری 1026-8944 29 2 2025 02 19 A Review of Dependence Measures (Part I): History, Concepts, and Classical Measures مروری بر معیارهای وابستگی: مفاهیم، تاریخچه و کاربردها 215 235 738705 10.22034/aa.2026.2088917.1034 FA علی دولتی دانشگاه یزد 0000-0003-3220-3171 Journal Article 2026 05 17 Describing the relationship between two or more random variables is a fundamental problem in statistics and probability. This paper, which is organized in two parts, provides a historical and structural review of dependence measures from the 18th century to the present. Part I covers foundational concepts: early definitions of independence and dependence in the works of de Moivre, Bayes, and Laplace; the emergence of correlation in Galton's work and its mathematical formulation by Pearson; the limitations of the product-moment correlation coefficient; and the development of nonparametric rank-based coefficients. The role of copula theory and Sklar's theorem in separating the dependence structure from marginal distributions is also explained. Part II addresses modern measures and generalizations: measures of intensity of dependence, non-monotone dependence and modern measures for high-dimensional data, serial dependence and autocorrelation, tail and quantile dependence, multivariate and vector extensions, measures for discrete and mixed data, applications in probability theory, and implementation in statistical software. This paper serves as a comprehensive resource for researchers in statistics, data mining, and machine learning by providing a review of both classical and modern measures. توصیف رابطه بین دو یا چند متغیر تصادفی، یکی از مسائل اساسی در آمار و احتمال است. این مقاله در دو قسمت تدوین شده و به مرور تاریخی و ساختاری معیارهای اندازه‌گیری وابستگی از قرن هجدهم تا امروز می‌پردازد. قسمت اول به مفاهیم بنیادی اختصاص دارد: تعاریف نخستین از استقلال و وابستگی در آثار دموآر، بیز و لاپلاس، ظهور مفهوم همبستگی در کارهای گالتون و فرمول‌بندی ریاضی آن توسط پیرسون، محدودیت‌های ضریب همبستگی گشتاوری، و معرفی ضرایب ناپارامتری مبتنی بر رتبه. در ادامه، نقش نظریه مفصل و قضیه اسکلار در جداسازی ساختار وابستگی از توزیع‌های حاشیه‌ای تبیین می‌گردد. قسمت دوم به معیارهای جدیدتر و تعمیم معیارهای کلاسیک‌ می‌پردازد: معیارهای شدت وابستگی، وابستگی غیریکنوا و معیارهای مدرن برای داده‌های با ابعاد بالا، خودهمبستگی و وابستگی سریالی، وابستگی دمی و چندکی، تعمیم‌های چندمتغیره و برداری، معیارهای وابستگی برای داده‌های گسسته و ترکیبی، کاربردها در نظریه احتمال، و پیاده‌سازی در نرم‌افزارهای آماری. این مقاله با ارائه مروری جامع بر معیارهای کلاسیک و مدرن، می‌تواند منبعی مفید برای پژوهشگران حوزه آمار، داده‌کاوی و یادگیری ماشین باشد. https://andisheyeamari.irstat.ir/article_738705_be300ea4e53f0eb9280f25e16f59744b.pdf