https://andisheyeamari.irstat.ir/ اندیشه آماری fa daily 1 Thu, 22 Aug 2024 00:00:00 +0330 Thu, 22 Aug 2024 00:00:00 +0330 https://andisheyeamari.irstat.ir/article_732974.html 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_729436.html 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_729300.html 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_728266.html 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_730121.html 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_728472.html 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_729302.html 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_728281.html 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_728280.html 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_732356.html 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_731525.html 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_732795.html 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_733257.html 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_732975.html 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.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.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. 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_733260.html 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_734247.html 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_735098.html 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_736944.html 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_736945.html 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_737138.html 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. هدف این پژوهش ارائه یک مطالعه مقایسه‌ای منسجم از سه رویکرد استنباطی در چارچوب شبکه‌های عصبی بیزی برای مدل‌های رگرسیونی غیرخطی و تبیین مزایا و محدودیت‌های هر روش در کاربردهای عملی است. https://andisheyeamari.irstat.ir/article_737336.html 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 ابزار 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. ابتدا پیشینه‌ نظری و ریاضی مدل‌های جهتی و مفصل‌ها معرفی می‌گردند، سپس هر یک از سه خانواده اصلی مفصل‌های جهتی از منظر نظری و کاربردی بررسی می‌شوند. در پایان، با نتیجه‌گیری کلی به مسیرهای پژوهشی آینده اشاره می‌گردد. https://andisheyeamari.irstat.ir/article_737343.html در این مقاله یک خانواده جدید از توزیع‌ها به نام خانواده توزیع‌های لگ لجستیک تعمیم‌یافته بتا مارشال اولکین (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، می‌تواند به عنوان یک مدل مناسب برای برازش به داده‌های BMO-LL نسبت به مدل‌های رقیب، برازش بهتری به داده‌ها دارد، بنابراین مدل طول عمر در نظر گرفته شود. https://andisheyeamari.irstat.ir/article_737344.html 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.