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.

این تحقیق به منظور بررسی امکان پیش بینی ویژگیهای فیزیکی و مکانیکی تخته خرده چوب با استفاده از معادلات و مدلهای رگرسیونی انجام شده است. 108 تخته آزمایشگاهی در قالب 36 تیمار با ترکیب شرایط مختلف گرادیان رطوبت، ابعاد خرده چوب، درجه حرارت و زمان پرس ساخته شد و با استفاده از رگرسیون گام به گام، نتایج مورد تجزیه و تحلیل قرار گرفت. مدل بدست آمده برای مقاومت خمشی نشان داد که ابعاد خرده چوب مهمترین عامل تاثیرگذار بر این ویژگی بوده است و با افزایش ضریب کشیدگی خرده چوب، مقاومت خمشی تخته ها بهبود می یابد. مدل نهایی مدول الاستیسیته نشان داد که دو عامل ابعاد خرده چوب و گرادیان رطوبت به ترتیب شدت تاثیر وارد مدل شده است و هر دو عامل دارای تاثیر مثبت بر این ویژگی بودند. مدل نهایی برای چسبندگی داخلی نشان داد که تمام عوامل متغیر مورد بررسی دارای تاثیر معنی داری بر این ویژگی هستند. با این حال، مدل نشان داد که تاثیرگذاری دو عامل گرادیان رطوبت و ابعاد خرده چوب که دارای رابطه معکوس با IB می باشد، بیشتر از تاثیر دو عامل زمان و درجه حرارت پرس که دارای رابطه مثبت با چسبندگی داخلی هستند، می باشد. نتایج نشان داد که دو عامل گرادیان رطوبت و زمان پرس بترتیب شدت تاثیر در مدل رگرسیون واکشیدگی ضخامت 24 ساعت قرار گرفته اند.

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

با وجود مباحث زیادی که علیه استفاده از ارزش گذاری مشروط در برآورد ارزش های غیر بازاری مطرح می شود، این روش بسیار استفاده شده است. از بین روش های مختلف استخراج در ارزش گذاری مشروط، به روش انتخاب دوتایی (DC) توجه ویژه ای شده است. دو نوع روش انتخاب دوتایی وجود دارد: انتخاب دوتایی یک بعدی (SBDC) و انتخاب دوتایی دوبعدی (DBDC). کارایی روش DBDC از روش SBDC بیشتر است. در بیشتر مطالعات ارزش گذاری مشروط در ایران، از روش DBDC استفاده شده و تحلیل آن ها با استفاده از الگوی لوجیت انجام گرفته است که کارایی روش DBDC را بالا نمی برد. هدف این مطالعه تحلیل داده های DBDC با استفاده از مدل پروبیت به ظاهر نامرتبط است. برای این منظور پرسشنامه ارزش گذاری مشروط DBDC برای برآورد تمایل به پرداخت افراد برای حفاظت از گل سوسن چلچراغ طراحی و از سوی 177 سرپرست خانوار در سال 1390 در مرکز استان گیلان تکمیل شد. تحلیل داده ها به دو صورت مدل های مقید و غیرمقید انجام شد که در مدل مقید محدودیت برابر بودن ضرایب متغیرها در دو مدل اعمال شد. نتایج نشان می دهد که در مدل مقید تعداد متغیرهای معنی دار بیشتر از مدل غیرمقید است، همچنین تمایل به پرداخت (WTP) با استفاده از مدل اول (مدلی که متغیر وابسته آن پاسخ به پیشنهاد اول است) و دوم (مدلی که متغیر وابسته آن پاسخ به پیشنهاد دوم است) در مدل غیرمقید به ترتیب 6650 ریال و 6963 ریال و با استفاده از مدل مقید 7225 ریال است. پیشنهاد می شود محققان ارزش گذاری مشروط در مطالعات خود برای تحلیل داده های DBDC به منظور دستیابی به برآوردهای کاراتر از مدل های پروبیت به ظاهر نامرتبط استفاده کنند.

پیش بینی متغیرهای کلان اقتصادی برای برنامه ریزان و سیاستگذاران و واحدهای اقتصادی از اهمیت ویژه ای برخوردار است و از همین رو مدلهای گوناگونی برای پیش بینی ابداع شده است. یکی از روشهای پرکاربرد پیش بینی، به خصوص در دهه های اخیر، روش شبکه های عصبی مصنوعی است. در این مطالعه نیز مدل صادرات محصولات کشاورزی ایران برای دوره 1387-92 با استفاده از روشهای اقتصادسنجی و شبکه عصبی مصنوعی پیش بینی شده است. به این منظور از داده های دوره 1344-80 برای پیش بینی و آموزش شبکه و از داده های دوره 1381-86 برای آزمون صحت پیش بینی های به دست آمده استفاده شد. نتایج مطالعه نشان داد که شبکه عصبی پیشرو دارای خطای کمتر و عملکرد بهتری در مقایسه با روش اقتصادسنجی VAR برای پیش بینی مقدار صادرات محصولات کشاورزی ایران است. مقدار صادرات محصولات کشاورزی در سالهای 1389 و 1392 با توجه به پیش بینی صورت گرفته با استفاده از روش شبکه عصبی، با کاهش همراه خواهد بود و لذا لازم است دولت با استفاده از سیاستهای مشوق صادرات به مقابله با این امر بپردازد.

یکی از راه های شناسایی مشاهد ات دورافتاده در مدل های رگرسیونی، سنجش دوری مشاهدات از مقدار مورد انتظارشان تحت مدل برازش شده است. در مدل های رگرسیونی دایره ای-دایره ای، این شناسایی با استفاده از فاصله ی دایره ای امکان پذیر است. در این مقاله آماره ی اختلاف میانگین های خطای دایره ای که به وسیله ی ابوزید و همکاران [1] برای شناسایی متغیر پاسخ دورافتاده در مدل رگرسیونی دایره ای-دایره ای ساده معرفی شده است، برای مدل رگرسیونی خطی-دایره ای به کار رفته و به روش شبیه سازی مونت کارلویی نقاط برینشی این آماره به دست آمده است. به علاوه با مطالعات شبیه سازی عملکرد این آماره بررسی شده است. در نهایت این آماره برای شناسایی پاسخ دورافتاده در داده ی سرعت و جهت باد ثبت شده در ایستگاه هواشناسی مهرآباد تهران به روش شبیه سازی خودگردان پارامتری به کار گرفته شده است.

تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه ای، تغییرات آب و هوایی و تولید کشاورزی دارد. در این تحقیق، کارآیی برخی از تکنیک های داده محور شامل ماشین بردار پشتیبان (SVM)، شبکه های عصبی مصنوعی (ANN) و ترکیب آن با تبدیل موجک (WANN)، رگرسیون خطی چند متغیره (MLR ) و درخت تصمیم (Decision Tree) برای پیش بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس بلوف در ایالت نبراسکا بررسی شده است. برای این منظور، از 5 پارامتر هواشناسی (دمای کمینه، دمای بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی) به عنوان ورودی برای مدل ها استفاده شده است. داده های استفاده شده در این تحقیق اطلاعات هواشناسی روزانه بین سال های 2005 و2013 برای آموزش و آزمون مدل ها بوده است. به منظور اجرای هر یک از مدل ها 8 سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شده است. برای ارزیابی عملکرد تکنیک های مورد مطالعه، از سه شاخص آماری مختلف یعنی ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش ساتکلیف (NSE) استفاده، که بدین وسیله نتایج مدل ها با داده های مشاهداتی بررسی شد. علاوه بر این، نمودارهای تیلور برای آزمایش شباهت بین داده های مشاهده شده و پیش بینی شده استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس بلوف، 8WANN (هشتمین ترکیب ورودی برای مدل WANN است) با توجه به مقادیر ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش ساتکلیف به ترتیب برابر با 097/0 میلیمتر در روز، 999/0 و 999/0 عملکرد بهتری در مقایسه با ANN، SVM، MLR وDT داشته است. مدل های SVM و ANN نیز دقت بسیار خوبی را نشان دادند، و مدل های DT و MLR با وجود قابل قبول بودن دقت در آن ها از سایر مدل ها ضعیف تر عمل کردند. به عنوان یک نتیجه گیری، نتایج حاصل از مطالعه فعلی ثابت کرد که WANN روندهای معقولی را برای مدل سازی اسکاتس بلوف در ایستگاه اسکاتس بلوف ارائه کرده است.