---

در این مقاله ضمن معرفی روش های جدیدی که در زمینه برآوردیابی و انتخاب متغیر در مدل رگرسیونی مطرح شده اند ، بر اساس یک بررسی مبتنی بر شبیه سازی از مدل های مختلف ، به بررسی عملکرد این روش ها و همچنین مقایسه آن ها با روش های معمول مثل روش انتخاب پیشرو و روش رگرسیون مرزی خواهیم پرداخت .

---

مدل‌های داده‌های پانلی پویا قسمت مهمی از مطالعات حوزه‌های پزشکی، اجتماعی و اقتصادی را شامل می‌شوند.

ویژگی بارز این مدل‌ها وجود متغیر وابستۀ تأخیری به‌عنوان متغیر توصیفی است. مشکل برآورد در این مدل‌ها از همبستگی بین متغیر وابستۀ تأخیری و مؤلفۀ‌ خطای فعلی ناشی می‌شود. اخیراً رگرسیون چندکی تاوانیده برای تحلیل داده‌های پانلی پویا مورد توجه قرار گرفته است. در این مقاله نخست مدل رگرسیون چندکی با ایجاد تاوان لاسو سازوار روی اثر‌های تصادفی برای داده‌های پانلی پویا با فرض وابستگی اثر‌های تصادفی و مشاهدات اولیه ارائه می‌شود. همچنین این مدل با فرض استقلال بین اثر‌های تصادفی و مشاهدات اولیه نیز بررسی خواهد شد. هر دو مدل از دیدگاه آمار بیزی بیان شده، مورد تحلیل قرار می‌گیرند. چون در این دو روش، توزیع‌ پسین پارامترها به شکل بسته قابل حصول نیست، توزیع‌های پسین شرطی کامل پارامترها محاسبه و از الگوریتم نمونه‌گیری گیبز برای استنباط استفاده می‌شود. برای مقایسۀ کارایی روش‌های بیزی ارائه‌شده با روش‌های متداول، مطالعۀ شبیه‌سازی انجام شده و در پایان نیز روش استفاده از مدل‌ها در قالب مثال کاربردی شرح داده خواهد شد.

---

در تجزیه و تحلیل داده‌های بقای سانسورشده، مدل‌های رگرسیونی کاکس از اهمیت ویژه‌ای برخوردار هستند. با افزایش متغیرها در یک مدل، به منظور دست‌یابی به مدل‌های کاراتر، می‌توان از روش‌های تاوانیده  استفاده کرد.  در این مقاله،  به مروری بر مدل رگرسیون کاکس تاوانیده برای برخی از توابع تاوان معروف پرداخته شده است. هم‌چنین،  مجموعه داده‌های پزشکی mgus2 بررسی شده و نشان داده شده که مدل‌های تاوانیده بهتر از رگرسیون کاکس به این داده‌ها برازش می‌شود که تاوان لاسو، بهترین عملکرد را برای این داده‌ها دارد. 
 

---

تحلیل و مدل‌بندی داده‌های با بعد بالا یکی از چالش برانگیزترین مسائل روز دنیا است. تحلیل و تفسیر این‌ داده‌‌ها کاری ساده نیست و نیازمند استفاده از روش‌های مدرن است. روش‌های جریمه‌ای یکی از مشهورترین راه‌های تحلیل داد‌ه‌های با بعد بالاست. همچنین مدل‌بندی رگرسیونی و تحلیل آن به‌شدت تحت تاثیر مشاهدات پرت قرار می‌گیرد.

روش کمترین توا‌ن‌های دوم پیراسته نیز یکی از بهترین روش‌‌های استوار برای از بین بردن تاثیر تخریبی این نقاط است.

مدل‌های نیمه‌پارامتری که مدل‌هایی بسیار انعطاف‌پذیرند، ترکیبی از هر دو نوع مدل‌های پارامتری و ناپارامتری هستند. این مدل‌ها زمانی‌که هم بخش پارامتری و هم بخش ناپارامتری در مدل وجود دارد، مفیدند. هدف اصلی این مقاله تحلیل مدل‌های نیمه پارامتری در داده‌های با بعد بالا با حضور نقاط پرت با استفاده از روش لاسو تنک استوار است. در انتها، کارایی برآوردگر پیشنهادی با استفاده از یک داده واقعی در مورد تولید ویتامین ‎lr{B2}‎ سنجیده می‌شود.