@article{ author = {Farahmand, K.}, title = {On Classifications of Random Polynomials}, abstract ={ Let $ a_0 (omega), a_1 (omega), a_2 (omega), dots, a_n (omega)$ be a sequence of independent random variables defined on a fixed probability space $(Omega, Pr, A)$. There are many known results for the expected number of real zeros of a polynomial $ a_0 (omega) psi_0(x)+ a_1 (omega)psi_1 (x)+, a_2 (omega)psi_2 (x)+ dots + a_n (omega)psi_n (x)$ where  $ psi_j(x)$ , j=0.1.2...,n is a specific function of x. In this paper we highlight different characteristics arising for the random polynomial dictated by assuming different values for   $ psi_j(x)$. Then we are able to classify random polynomials into three classes each of which share common properties. Although, we are mainly concerned with the number of real roots we also study the density of complex roots generated by assuming complex random coefficients for polynomials.}, Keywords = {number of real zeros, real roots, random algebraic polynomials, trigonometric polynomials, binomial coefficients, Kac-Rice formula, non-identical random variables, complex roots.}, volume = {1}, Number = {1}, pages = {1-12}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {در باره‌ی رده‌بندی‌های چندجمله‌ای‌های تصادفی}, abstract_fa ={ فرض کنید $ a_0 (omega), a_1 (omega), a_2 (omega), dots, a_n (omega)$ دنباله‌ای از متغیرهای تصادفی مستقل باشد که بر یک فضای احتمال ثابت $(Omega, Pr, A)$ تعریف شده است. برای تعداد مورد انتظار صفرهای واقعی یک چندجمله‌ای مانند  $ a_0 (omega) psi_0(x)+ a_1 (omega)psi_1 (x)+, a_2 (omega)psi_2 (x)+ dots + a_n (omega)psi_n (x)$ ,  که در آن j=0.1.2...,n ,  $ psi_j(x)$ تابع معینی از x است، نتیجه‌های معلوم بسیاری در دست است. در این مقاله، مشخصه‌های گوناگون ناشی از تأثیر فرض‌های مختلف بر چندجمله‌ای‌های تصادفی  $ psi_j(x)$ را مورد نأکید قرار می‌دهیم. سپس می‌توانیم چندجمله‌ای‌های تصادفی را در سه رده، رده‌بندی کنیم که هر یک در خواص مشترکی سهیم باشند. هر چند به‌طور عمده، تعداد ریشه‌های حقیقی مورد نظر است ولی چگالی ریشه‌های مختلط ناشی از فرض ضریب‌های تصادفی مختلط برای چندجمله‌ای‌ها را نیز مطالعه می‌کنیم.}, keywords_fa = {تعداد صفرهای واقعی, ریشه‌های واقعی, چندجمله‌ای‌های جبری تصادفی, چندجمله‌ای‌های مثلثاتی, ضریب‌های دوجمله‌ای, فرمول کاک-رایس, متغیرهای تصادفی نایکسان, ریشه‌های مختلط.}, doi = {10.18869/acadpub.jsri.1.1.1}, url = {http://jsri.srtc.ac.ir/article-1-135-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-135-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2004} } @article{ author = {G.Hamedani,}, title = {The Concept of Sub-independence and Its Application in Statistics and Probabilities}, abstract ={ Many Limit Theorems, Convergence Theorems and Characterization Theorems in Probability and Statistics, in particular those related to normal distribution , are based on the assumption of independence of two or more random variables. However, the full power of independence is not used in the proofs of these Theorems, since it is the distribution of summation of the random variables which is needed and not the joint distribution of the variables. A concept is re-introduced, which is quite weak in comparison to independence, and can replace the concept of independence in most of the above mentioned theorems. Another relatively new concept will also be mentioned and some related results are discussed.}, Keywords = { sub-independent random variables, reciprocal random variables, characterization of distributions.}, volume = {1}, Number = {1}, pages = {13-30}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {مفهوم زیرْاستقلال و کاربرد آن در آمار و احتمال}, abstract_fa ={ بسیاری از قضیه‌های حدّی و همگرایی و مشخص‌سازی توزیع‌ها در احتمال و آمار ریاضی، به‌ویژه آن‌هایی که مربوط به توزیع نرمال هستند، بر اساس فرض استقلال دو یا چند متغیر تصادفی بنا شده‌اند. با این حال در اثبات این قضیه‌ها اغلب از قدرت کامل استقلال استفاده نمی‌شود؛ زیرا آنچه مورد نیاز است توزیع حاصل‌جمع متغیرهای تصادفی است، نه توزیع مشترک آن‌ها. در این مقاله مفهومی را دوباره معرفی می‌کنیم که نسبت به استقلال، کاملاً ضعیف است و در اکثر قضیه‌های اشاره شده در بالا می‌تواند جایگزین مفهوم استقلال شود. یک مفهوم نسبتاً جدید دیگر نیز مورد اشاره قرار خواهد گرفت و برخی از نتایج مربوط نیز تشریح خواهد شد.}, keywords_fa = {متغیرهای تصادفی زیرمستقل, متغیرهای تصادفی معکوس, مشخص‌سازی توزیع‌ها.}, doi = {10.18869/acadpub.jsri.1.1.13}, url = {http://jsri.srtc.ac.ir/article-1-137-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-137-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2004} } @article{ author = {Meshkani, Rez}, title = {Regression Analysis under Inverse Gaussian Model: Repeated Observation Case}, abstract ={ Traditional regression analyses assume normality of observations and independence of mean and variance. However, there are many examples in science and Technology where the observations come from a skewed distribution and moreover there is a functional dependence between variance and mean. In this article, we propose a method for regression analysis under Inverse Gaussian model when there are repeated observations for a fixed value of explanatory variable. The problem is treated by likelihood, Bayes, and empirical Bayes procedures, using conjugate priors. Inferences are provided for regression analysis.}, Keywords = {Bayesian inference, empirical Bayes, conjugate prior, posterior, inverse Gaussian distribution, regression, likelihood.}, volume = {1}, Number = {1}, pages = {31-50}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {تحلیل رگرسیونی تحت مدل گاوسی وارون در حالت مشاهدات مکرر}, abstract_fa ={در تحلیل‌های رگرسیونی مرسوم، فرض‌های اساسی شامل نرمال بودن متغیر پاسخ، و عدم وابستگی بین واریانس و میانگین آن است. امّا موارد بسیاری در علوم زیستی، مهندسی واقتصاد وجود دارند که متغیر پاسخ شدیداً چوله است و به‌علاوه رابطه‌ی تابعیِ مشخصی بین واریانس و میانگین وجود دارد. در چنین مواردی، بدیلی مناسب برای توزیع نرمال، توزیع گاوسی وارون است که خانواده‌ی بسیار غنی را تشکیل می‌دهد و می‌تواند برای مدل‌بندی حالت‌های بسیار متنوع به کار رود. در این مقاله، تحلیل رگرسیونی برای مدل گاوسی وارون را در حالتی عرضه می‌کنیم که به‌ازای مقداری مشخص از بردار متغیرهای پیشگو، مشاهداتی مکرر از متغیر پاسخ را در دست داریم. این موضوع را از سه دیدگاه درستنمایی، بیزی و بیز تجربی تحت پیشین مزدوج، مورد بررسی قرار می‌دهیم. در هر مورد، برآورد معادله‌ی رگرسیون و استنباط‌های مربوط به آن را ارائه می‌کنیم و با مثالی عددی روش‌های ابداعی را تشریح می‌کنیم.}, keywords_fa = {استنباط بیزی, بیز تجربی, پیشین مزدوج, پسین, توزیع گاوسی وارون, رگرسیون, درستنمایی.}, doi = {10.18869/acadpub.jsri.1.1.31}, url = {http://jsri.srtc.ac.ir/article-1-138-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-138-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2004} } @article{ author = {Kazemnejad, Anoshiravan and Zayeri, Fari}, title = {Modeling Paired Ordinal Response Data}, abstract ={ About 25 years ago, McCullagh proposed a method for modeling univariate ordinal responses. After publishing this paper, other statisticians gradually extended his method, such that we are now able to use more complicated but efficient methods to analyze correlated multivariate ordinal data, and model the relationship between these responses and host of covariates. In this paper, we aim to present the recent progressions in modeling ordinal response data, especially in bivariate ordinal responses that arise from medical studies relating to paired organs such as ophthalmology, otology, nephrology etc. Additionally, we present a new model for analyzing correlated ordinal response data. This model is an appropriate alternative for bivariate cumulative probit regression model, when joint distribution of response data is not symmetric. Finally, as an applied example, we analyze the obtained data from an epidemiologic study relating to periodontal status among high school students in Tehran using this method and compare the results with the similar models.}, Keywords = {Correlated ordinal responses, bivariate latent distribution, generalized estimating equations, generalized linear models.}, volume = {1}, Number = {1}, pages = {51-68}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {مدل‌سازی پاسخ‌های زوج شده‌ی رتبه‌ای}, abstract_fa ={حدود ربع قرن از انتشـار مقاله‌ی مکولا (1980) در مورد مدل‌بندی پاسخ‌های ترتیبی یک‌متغیـره می‌گذرد. پس از انتشار این مقاله، مدل پیشنهادی وی به‌تدریج مدل تعمیم یافت، به‌طوری که ما هم اکنون قادریم پاسخ‌های چندمتغیره، همبسته و ترتیبی را به‌کمک مدل‌های نسبتاً پیچیده اما کارا تحلیل نموده، ارتباط بین این‌گونه پاسخ‌ها با متغیرهای کمکی مختلف را مورد بررسی قرار دهیم. در این مقاله قصد داریم پیشرفت‌های به وجود آمده در زمینه‌ی مدل‌بندی پاسخ‌های ترتیبی همبسته را با تأکید بر پاسخ‌های دومتغیـره‌ی ترتیبی حاصل از مطالعه‌ی اندام‌های جفتی بدن نظیر چشم، گوش، کلیه، دست، پا، و ... بررسی کرده، در پایان، مدلی جدید برای تحلیل داده‌های ترتیبی همبسته معرفی نماییم. هنگامی که داده‌های پاسخ مورد بررسی دارای توزیعی دومتغیره و نامتقارن فرض می‌شوند، این مدل را می‌توان جایگزینی مناسب برای مدل پروبیت تجمعی دومتغیره محسوب نمود. در پایان، به‌عنوان مثالی کاربردی، داده‌های مربوط به وضعیت پریودنتال دانش‌آموزان دبیرستانی شهر تهران به‌کمک این مدل، تحلیل و نتایج حاصل با مدل‌های مشابه مقایسه می شود.}, keywords_fa = { پاسخ‌های ترتیبی همبسته, توزیع نهانی دومتغیره, معادلات برآوردگر تعمیم‌یافته, مدل‌های خطی تعمیم‌یافته.}, doi = {10.18869/acadpub.jsri.1.1.51}, url = {http://jsri.srtc.ac.ir/article-1-139-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-139-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2004} } @article{ author = {Afsarinejad, K.}, title = {Trend-resistant repeated measurement Designs}, abstract ={ The existence and non-existence of trend-resistant repeated measurement designs are investigated. Two families of efficient/optimal repeated measurement designs which are very popular among experimenters are shown to be trend-resistant or trend-resistant with respect to treatments.}, Keywords = {. Changeover, cross-over, optimal design, orthogonal polynomial, carry-over effect, trend-resistant}, volume = {1}, Number = {1}, pages = {69-83}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {طرح‌های اندازه‌گیری مکرر روندْمقاوم}, abstract_fa ={در این مقاله موجود بودن یا نبودن طرح‌های اندازه‌گیری مکرر روندْمقاوم بررسی می‌گردد و نشان داده می‌شود که دو خانواده از طرح‌های اندازه‌گیری مکرر کارامد و بهینه که در میان آزمایشگران بسیار مورد توجه‌اند، روندْمقاوم یا از لحاظ تیمارها روندْمقاوم هستند.}, keywords_fa = {دگرتیمار, متقاطع, طرح بهینه, چندجمله‌ای متعامد, اثرمنقول, روندْمقاوم.}, doi = {10.18869/acadpub.jsri.1.1.69}, url = {http://jsri.srtc.ac.ir/article-1-134-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-134-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2004} } @article{ author = {Ganjali, M. and Latifian, L.}, title = {Analysis of a Problem Using Various Visions}, abstract ={ In this paper an applied problem, where the response of interest is the number of success in a specific experiment, is considered and by various visions is studied. The effects of outlier values of response on results of a regression analysis are so important to be studied. For this reason, using diagnostic methods, outlier response values are recognized. It is shown that use of arc-sine transformation many be misleading in recognizing response outliers. If deleting of outliers is not possible, use of robust modeling approach is suggested. Method of maximum likelihood for estimating parameters in generalized linear model, transformation method and also pseudo-likelihood method are not robust. A method, which is called robust pseudo-likelihood and leads to robust results, is reviewed and a simpler method of computing P-values for model selection is presented. Various approaches for modeling are also compared in the applied example.}, Keywords = {Transformation method, logistic regression, generalized linear models, Pearson residuals, robust pseudo-likelihood.}, volume = {1}, Number = {1}, pages = {85-100}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {تحلیل یک مسئله با استفاده از دیدگاه‌های متفاوت}, abstract_fa ={در این مقاله یک مسئله‌ی کاربردی که در آن، پاسخ مورد نظر، تعداد موفقیت‌ها در یک آزمایش به‌خصوص است مطرح می شود و برای مدل‌بندی از دیدگاه‌های متفاوت مورد بررسی قرار می گیرد. بررسی تأثیر مقدار پاسخ دورافتاده بر نتایج یک تحلیل رگرسیونی از اهمیت فراوان برخوردار است. به این دلیل با استفاده از روش‌های تشخیص، داده های دورافتاده شناسایی می‌شوند. نشان داده شده که استفاده از روش تبدیل آرک‌سینوس ممکن است تشخیص دورافتاده بودن برخی داده‌ها را منحرف کند. در صورتی‌که حذف داده‌های دورافتاده در مدل‌بندی امکان‌پذیر نباشد، استفاده از روش‌های استوار پیشنهاد شده است. روش ماکسیمم درستنمایی که در مدل‌های خطی تعمیم یافته و روش تبدیل، از آن برای برآورد پارامترها استفاده می شود و روش شبه‌درستنمایی، استوار نیستند. روش دیگری که به نتایج استوار منجر می شود و به روش شبه‌درستنمایی استوار موسوم است، در این مقاله بازبینی و روشی که از نظر محاسباتی برای استفاده آسان‌تر است، برای محاسبه‌ی مقادیر معناداری در آن ارائه شده است. شیوه‌های مختلف مدل‌بندی نیز در مثال کاربردی مقایسه شده اند.}, keywords_fa = {روش تبدیل, رگرسیون لوژستیک, مدل‌های خطی تعمیم یافته, مانده‌ی پی‌یرسونی, شبه‌درستنمایی استوار.}, doi = {10.18869/acadpub.jsri.1.1.85}, url = {http://jsri.srtc.ac.ir/article-1-136-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-136-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2004} } @article{ author = {Pezeshk, H.}, title = {Determination of the Size of a Trial, Using Lindley’s Method}, abstract ={Extended Abstract. When a new treatment is being considered, trials are carried out to estimate the increase in performance which is likely to result if the new treatment were to replace the treatment in current use. Many authors have looked at this problem and many procedures have been introduced to solve it. An important feature of the analysis in this work is that account is taken of the fact that only if it turns out that the new treatment, in a statistical sense, is clearly better than the previous treatment will the number of subsequent users of the new treatment be high. Traditional classical methods of selecting sample sizes are based on the required size, and the required power of the test for a specified treatment effect. The most frequently used sample size formulae arises from the relationship between the standard error of the estimator of the parameter of interest and the sample size. Since the formulae can be highly sensitive to the choice of inputs, careful selection of the parameter estimates and target criteria are essential steps in determining the sample size. Classical or frequentist methods are unable to take into account uncertainty in point specifications. Bayesian methods are ideally suited for design since they provide a tool for specifying uncertainty, and how it changes in response to further information. In this work we figure out the optimal size of...[To continue please click here]}, Keywords = {sample size, Bayesian approach, cost, net benefit, maximization of expected utility (MEU).}, volume = {1}, Number = {2}, pages = {101-108}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {تعیین اندازه‌ی نمونه‌ی یک آزمایه با استفاده از روش لیندلی}, abstract_fa ={در این مقاله اندازه‌ی بهینه‌ی یک آزمایه‌ی تصادفی را برای حالتی که تابع مطلوبیت، تابعی از نسبت میانگین به واریانس تابع چگالی پسینِ پارامتر مورد علاقه است به دست می‏‌آوریم و از روش بیزی که رایفا و شلایفر (1961) به کار گرفتند و توسط لیندلی (1997) و اوهاگان و استیونس (2001) توسعه یافت، استفاده می‏‌کنیم. فرض‌هایی که در نظر خواهیم گرفت از یک دیدگاه، مسئله را بسیار ساده می‌کند و شاید با آنچه در عمل رخ می‌‏دهد، تفاوت به‌وجود ‏آورد اما هدف این است که نشان دهیم مسئله در یک حالت خاص دارای جواب صریح و قابل تعمیم به حالت‌های پیچیده‏‌تر است.}, keywords_fa = {اندازه‌ی نمونه, رهیافت بیزی, تابع مطلوبیت, هزینه, سود خالص, روش MEU.}, doi = {10.18869/acadpub.jsri.1.2.101}, url = {http://jsri.srtc.ac.ir/article-1-143-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-143-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2005} } @article{ author = {SalehiM, M. and Jamalzadeh, A.}, title = {Row and Column Elimination Sampling Design +1 and its Efficiencies}, abstract ={Extended Abstract. It is a traditional way in biological, sociological, agricultural and geological studies to partition a geographical area into quadrats and then take a sample of them by a particular sampling design. We study the relevant characteristic of quadrats to estimate a parameter of the population. We suppose that the variable of interest has a positive spatial autocorrelation. Sampling designs which produce an appropriate coverage of the population will increase the precision of the parameter estimator, (Schreuder et al, 1993). Hájek (1959), under a model with a positive spatial autocorrelation, illustrated that the systematic sampling is an optimum sampling design for one dimensional population. However, systematic and stratified samplings with only one sample in each stratum, are two traditional sampling designs that cover the population region well (McKenzie et al, 1991). Unfortunately, there is no unbiased estimator for these two sampling designs. Simple Latin Square Sampling (SLSS) design is another design which provides a good coverage for population. Also, this design has no variance estimator and it is considered as a weak point in practice. Munholland and Borkowski, (1995) introduced Simple Latin Square Sampling +1 (SLSS+1). They suggest that taking one additional sampling unit helps to provide an unbiased variance estimator. However, two other problems still exist concerning SLSS and SLSS+1. The population has to be a square and also the sample size be restricted to square root of the population size. Salehi (2002) introduced Systematic Simple Latin Square Sampling (SSLSS) for...[To continue please click here]}, Keywords = {Latin Square Sampling Design, Horvitz-Thompson Estimator, Autocorrelation Coeficient, Spatial Data Analysi}, volume = {1}, Number = {2}, pages = {109-122}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {طرح نمونه‌گیری حذف سطر و ستون +1 و کارایی آن}, abstract_fa ={ در این مقاله طرح نمونه‌گیری «حذف سطر و ستون +1» را معرفی می‌کنیم. این طرح نمونه‌گیری یک حالت عمومی از طرح نمونه‌گیری «مربع لاتین ساده-k» است که توسط بورکوفسکی (2003) معرفی شده است. این طرح نمونه‌گیری برای جوامعی که به‌صورت آرایه‌ی مستطیلی قابل استفاده است. برعکس، طرح نمونه‌گیری «مربعی لاتین ساده-k» فقط برای آرایه‌های مربعی قابل استفاده است. در این مقاله شرط لازم و کافی برای اینکه طرح نمونه‌گیری «حذف سطر و ستون +1» از طرح نمونه‌گیری تصادفی ساده بدون جایگذاری کاراتر باشد، ارائه‌ می‌شود. با توجه به‌شرط ارائه شده، مشخص می‌شود چنانچه جامعه دارای روند افقی و عمودی باشد، این طرح نمونه‌گیری کاراتر است. با مطالعه روی یک جامعه از صدف‌های کم‌یاب آب شیرین که دارای روند عمودی بسیار ملایمی هستند، چگونگی تغییرات کارایی مورد بحث قرار می‌گیرد.}, keywords_fa = {طرح نمونه‌گیری مربع لاتین, برآوردگر هورویتز-تامپسون, ضریب خودهمبستگی, تحلیل داده‌های فضایی}, doi = {10.18869/acadpub.jsri.1.2.109}, url = {http://jsri.srtc.ac.ir/article-1-145-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-145-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2005} } @article{ author = {Parsian, A. and JafariJozani, M.}, title = {Estimation of Scale Parameter in a Subfamily of Exponential Family with Weighted Balanced Loss Function}, abstract ={Suppose x1,x2, x3, ..., xn is a random sample of size n  from a distribution with pdf...[To continue please click here]}, Keywords = {Admissibility, exponential family, weighted balanced loss function, Bayes estimator, empirical Bayes estimator, hierarchical Bayes estimator.}, volume = {1}, Number = {2}, pages = {123-142}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {برآورد پارامتر مقیاس در یک زیرخانواده‌ی نمایی از توزیع‌ها تحت تابع زیان متعادل وزنی}, abstract_fa ={ در این مقاله زیرخانواده‌ای نمایی از توزیع‌ها با پارامتر مقیاس نامعلوم $theta$ را معرفی کرده، برآورد بیز پارامتر $theta$ را تحت تابع زیان متعادل وزنی به دست می‌آوریم. همچنین پذیرفتنی بودن برآوردگرهای خطی پارامتر $theta$ را مورد بررسی قرار می‌دهیم و نشانخواهیم داد که برآوردگرهای خطی به‌صورت $ATbar(X)+B$ که در آن $Tbar(X)=1/n sum_limits^n_{i=1} T(X_i)$ ، به‌ازای چه مقادیری از A و B ناپذیرفتنی هستند و در هر مورد مغلوب‌کننده‌های مناسب را ارائه می‌کنیم. به‌علاوه، برآوردگرهای بیزی سلسله‌مراتبی پارامتر $theta$ را تحت تابع زیان متعادل وزنی با استفاده از توزیع‌های پیشین ناآگاهی‌بخش و همچنین توزیع‌های پیشین مزدوج به دست آورده و پذیرفتنی بودن آن‌ها را مورد مطالعه قرار می‌دهیم. در نهایت، برآوردگر بیز تجربی پارامتر مقیاس $theta$ را به دست آورده و پذیرفتنی بودن آن را بررسی می‌کنیم.}, keywords_fa = {خانواده‌ی نمایی, تابع زیان متعادل وزن, برآوردگر بیزی, برآوردگر بیزی تجربی, برآوردگر بیزی سلسله‌مراتبی, پذیرفتنی بودن.}, doi = {10.18869/acadpub.jsri.1.2.123}, url = {http://jsri.srtc.ac.ir/article-1-142-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-142-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2005} } @article{ author = {Amini, M. and Ahmadi, J.}, title = {On Moments of the Concomitants of Classic Record Values and Nonparametric Upper Bounds for the Mean under the Farlie-Gumbel-Morgenstern Model}, abstract ={In a sequence of random variables, record values are observations that exceed or fall below the current extreme value.Now consider a sequence of pairwise random variables  {(Xi,Yi), i>=1}, when the experimenter is interested in studying just thesequence of records of the first component, the second component associated with a record value of the first one is termed the concomitant of that record value. The aim of this paper is to investigate the properties of concomitants of record values in Farlie-Gumbel-Morgenstern (FGM) model. So, the sequence of upper record values and their associated concomitants can...[To continue please click here]}, Keywords = {}, volume = {1}, Number = {2}, pages = {143-160}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {گشتاورهای متغیّر همراه رکورد کلاسیک و کران‌های ناپارامتری میانگین تحت مدلی فارلی ـ گامبل ـ مورگنشترن}, abstract_fa ={در یک دنباله از متغیّرهای تصادفی جفت‌شده، زمانی‌‌که فقط بررسی دنباله‌ای از آماره‌های یکی از دو مؤلفه مد نظر باشد، مؤلفه‌ی دوم متناظر با هر آماره تحت عنوان متغیّر همراه (concomitant) آن آماره مورد بررسی قرار می‌گیرد. از جمله‌ی این آماره‌ها می‌توان آماره‌های ترتیبی، رکوردها، سانسورها و غیره را نام برد. در این مقاله هدف بررسی خواص دنباله‌ی متغیّرهای همراه رکوردها است. در یک دنباله از متغیّرهای تصادفی، رکوردها مقادیری هستند که از مشاهدات قبلی بزرگ‌تر و یا کوچک‌تر هستند. بسیاری از پدیده‌های طبیعی، داده‌های مربوط به مسابقات ورزشی و یا آزمایه‌های بالینی در قالب این چنین الگوهای احتمال، قابل بررسی هستند. بدین منظور برای دنباله‌ای از جفت‌مشاهدات مستقل و هم‌توزیع با متغیّرهای تصادفی (X, Y) خواص گشتاورهای متغیّرهای تصادفی Y متناظر با رکوردهای متغیّر تصادفی X در حالت کلی و تحت مدل فارلی ـ گامبل ـ مورگنشترن (Farlie-Gumbel-Morgenstern) مورد بررسی قرار گرفته است. در ادامه کران‌های ناپارامتری میانگین تحت مدل بالا و به‌شیوه‌های متفاوت به دست آمده و با هم مقایسه شده‌اند.}, keywords_fa = {رکورد بالا, متغیّر همراه, گشتاور, مدلی فارلی ـ گامبل ـ مورگنشترن, نابرابری کوشی ـ شوارتس, کران ناپارامتری.}, doi = {10.18869/acadpub.jsri.1.2.143}, url = {http://jsri.srtc.ac.ir/article-1-140-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-140-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2005} } @article{ author = {Nematollahi, N. and JafariJozani, M.}, title = {Truncated Linear Minimax Estimator of a Power of the Scale Parameter in a Lower- Bounded Parameter Space}, abstract ={ Minimax estimation problems with restricted parameter space reached increasing interest within the last two decades Some authors derived minimax and admissible estimators of bounded parameters under squared error loss and scale invariant squared error loss In some truncated estimation problems the most natural estimator to be considered is the truncated version of a classical estimator in the original problem The MLE in the truncated normal problem is one such example In exponential families a class of reasonable estimators of the mean in the unrestricted problem are the linear estimators which arise as (proper or generalized) Bayes estimators for conjugate families. Hence it is natural to consider a truncated version of such linear estimators. A theme which runs through much of the literature on such truncated procedures is that while they are improving on the untruncated estimator, they themselves are inadmissible because they are not generalized Bayes. In this paper we consider a subclass of the exponential families of distributions which includes Exponential, Weibull, Gamma, Normal, Inverse Gaussian and some other distributions. The minimax and linear admissible estimators of the r-th power of scale-parameter under scale-invariant squared-error loss are obtained. Also the class of truncated linear estimators of the r-th power of the lower-bounded scale parameter in this family is considered. It is shown that each member of this class is inadmissible and exactly one of them is minimax, under scale-invariant squared-error loss. Further, this minimax estimator is compared with admissible minimax estimator of the lower[1]bounded scale-parameter, which is obtained by Jafari Jozani et al. (2002). Dealing with the family of transformed Chi-square distributions, which is introduced by Rahman and Gupta (1993), we apply our result for their lower bounded parameters which are not necessarily scale parameters. We show that the truncated linear minimax estimator obtained by van Eeden (1995) in gamma distribution is a special case of our estimator.}, Keywords = {Truncated parameter space, Truncated linear estimators, Minimax estimator, Admissible estimator, Exponential Family, Scale-invariant, squared-error loss.}, volume = {1}, Number = {2}, pages = {161-178}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {برآوردگر مینیماکس خطی بریده توانی از پارامتر مقیاس در فضای پارامتری از پایین کراندار}, abstract_fa ={مسئله‌ی برآورد کردن مینیماکس در فضای پارامتری مقید و به‌ویژه کراندار در دو دهه‌ی اخیر مورد توجه روزافزون پژوهشگران قرار گرفته است. در این مقاله رده‌ی برآوردگرهای خطی بریده برای برآورد توان r ام پارامتر مقیاس از پایین کراندار، یک زیرخانواده‌ی نمایی از توزیع‌ها را در نظر می‌گیریم. در این مقاله نشان می‌دهیم که تحت تابع زیان توان دوم خطای مقیاس ناوردا، همه‌ی اعضای این رده ناپذیرفتنی هستند و فقط یکی از آن‌ها مینیماکس است. برآوردگر مینیماکس به‌دست آمده با برآوردگر مینیماکس و پذیرفتنی پارامتر مقیاس و از پایین کراندار که توسط جعفری جوزانی و همکاران (2002) به‌ دست آمده است، مقایسه خواهد شد. همچنین با در نظر گرفتن خانواده‌ی توزیع‌های خی‌دوی تبدیل یافته، برای پارامتر از پایین کراندار این خانواده، که لزوماً پارامتر مقیاس نیست، نتایجی مشابه به دست خواهیم آورد.}, keywords_fa = {فضای پارامتری بریده, برآوردگرهای خطی بریده, برآورد کردن مینیماکس, قابلیت قبول, خانواده‌ی نمایی, زیان توان دوم خطای مقیاس ناوردا.}, doi = {10.18869/acadpub.jsri.1.2.161}, url = {http://jsri.srtc.ac.ir/article-1-141-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-141-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2005} } @article{ author = {Razzaghi, M.}, title = {Cumulative Risk Estimation for Chemical Mixtures}, abstract ={In reality, humans are always exposed to a combination of toxic substances and seldom to a single agent. Simultaneous exposure to a multitude of chemicals could result in unexpected consequences. The combined risk may lead to greater or less than a simple summation of the effects induced by chemicals given individually. Here, a method is proposed for estimating the cumulative risk which is the risk associated with exposure to more than one chemical through different routes. The method is based on using the data to determine a suitable power transformation of the dose of each component of the mixture and fitting a dose­response model to the mixture under dose­addition. Necessary and sufficient conditions for the constancy of the relative potency between two chemicals in terms of the slopes of their corresponding dose­response models are derived and it is shown how the relative potency may be estimated directly from the joint dose­response model of the mixture. An example using a mixture of four chemicals is used for illustration.}, Keywords = {Box­Cox transformation, chemical mixtures, joint action, risk assessment.}, volume = {1}, Number = {2}, pages = {196-208}, publisher = {Statistical Research and Training Center - Statistical Centre of Iran}, title_fa = {برآورد مخاطره‌ی تجمعی در آمیخته‌های شیمیایی}, abstract_fa ={بشر در عمل هموراه در معرض ترکیب‌هایی از مواد سمی و به‌ندرت فقط در معرض یک ماده است. قرار گرفتن در معرض همزمان گروه‌های بسیاری از مواد شیمیایی، ممکن است پیامدهای غیر منتظره‌ای را در پی داشته باشد. مخاطره‌ی ترکیبی ممکن است از مجموع اثرهای ایجاد شده از یکایک مواد شیمیایی، اثری کم‌تر و یا بیش‌تر داشته باشد. در اینجا، روشی برای برآورد کردن مخاطره‌ی تجمعی که مخاطره‌ی مربوط به قرار گرفتن در معرض چند ماده‌ی شیمیایی از مسیرهای مختلف است، پیشنهاد می‌شود. این روش بر پایه‌ی استفاده از داده‌ها برای تعیین یک تبدیل توانی مناسب از دُز افزایی است. شرایط لازم و کافی برای ثبات توان نسبی بین دو ماده‌ی شیمیایی بر حسب شیب‌های مدل‌های دُز-پاسخ توأم آمیخته برآورد کرد. برای توضیح مطلب، مثالی با استفاده از آمیخته‌ای از چهار ماده‌ی شیمیایی به کار برده می‌شود.}, keywords_fa = {تبدیل باکس و کاکس, آمیخته‌ی شیمیایی, کنش توأم, ارزیابی مخاطره}, doi = {10.18869/acadpub.jsri.1.2.196}, url = {http://jsri.srtc.ac.ir/article-1-144-en.html}, eprint = {http://jsri.srtc.ac.ir/article-1-144-en.pdf}, journal = {Journal of Statistical Research of Iran JSRI}, issn = {2538-5771}, eissn = {2538-5763}, year = {2005} }