در رابطه با اثرات پروژسترون و کلسترول بر حافظه و یادگیری اختلاف نظر و بحث وجود دارد. اما از آنجایی که پروژسترون به عنوان یک هورمون جنسی بر سطوح کلسترول خون اثر دارد لذا انتظار می رود که اثرات منفی کلسترول بر یادگیری بوسیله پروژسترون بهبود یابد. در این تحقیق ،ابتدا اثر پروژسترون(mg/kg 5 ، 10 ، 20)،سپس اثر رژیم غذایی حاوی کلسترول 5% بر حافظه و یادگیری فضایی موش های صحرایی نر بالغ مطالعه شد و در خاتمه اثر مقادیر مختلف پروژسترون (mg/kg5،10) در حضور کلسترول بر یادگیری فضایی مورد بررسی قرار گرفت. حیوانات به طور تصادفی به 9 گروه شامل کنترل، شاهد سرم فیزیولوژی، شاهد روغن بادام (به عنوان شاهد پروژسترون) ،کلسترول ،گروههای پروژسترون(mg/kg5 ، 10 ،20تزریق درون صفاقی بلافاصله پس از آموزش) و گروههای که کلسترول و پروژسترون (mg/kg5یا10) را به صورت توام دریافت کردند، تقسیم شدند. در این کار جهت بررسی یادگیری فضایی برای همه گروهها از ماز yشکل استفاده شد. نتایج نشان می دهند که پروژسترون ( mg/kg5 ) اثری بر یادگیری فضایی نداشت. در حالی که پروژسترون ( mg/kg 10و20 ) به طور معنی داری(به ترتیبp=0 وp<0.001) یادگیری را در مقایسه با گروه شاهد بهبود بخشید. از طرف دیگر نتایج ما نشان داد که رژیم غذای حاوی کلسترول 5% برای یک هفته باعث تخریب یادگیری فضایی در مقایسه با گروه کنترل شد. در این بین استفاده توام پروژسترون (mg/kg5یا10) و کلسترول نشان داد که پروژسترون یادگیری فضایی را در گروهی که کلسترول دریافت کرده بودند بهبود می بخشد. به نظر می رسد که پروژسترون از طریق افزایش خارهای دندریتی، ارتباط سیناپسی، نورون های کولینرژیک و افزایش در تعداد آستروسیت ها یادگیری را بهبود می بخشد و همچنین کلسترول خوراکی احتمالاً از طریق کاهش سیالیت غشاء و اثر بر فعالیت کانال ها فرآیند یادگیری را تخریب می کند.

روش های مرسوم در تحلیل بقا به طور ضمنی فرض می کنند که جوامع تحت مطالعه همگن هستند، به این معنا که همه ی افراد دارای خطر یکسانی می باشند. اما در همه ی مطالعات این شرط برقرار نیست و برخی عوامل خطر وجود دارند که اندازه گیری نمی شوند اما تابع مخاطره را تحت تاثیر قرار می دهند. مدل های شکنندگی برای به حساب آوردن این تاثیرات به کار می روند. به زبان آماری، یک مدل شکنندگی یک مدل اثر تصادفی برای داده های بقاست. داده های طول عمر شغلی زیر مجموعه ای از داده های بقا می باشند. نرخ بالای تغییر شغل می تواند سبب بروز مشکلات زیادی شود و هر شرکت نیازمند روش هایی است که بتواند نیروهای کارای خود را حفظ کند. در این مطالعه به بیان مدل های شکنندگی پرداختیم. این مدل ها برای به حساب آوردن همبستگی و ناهمگنی بین داده های بقا مورد استفاده قرار گرفته می شوند. همچنین توزیع های رایج برای شکنندگی و ویژ گی های آن ها بیان شد. سپس مدل رگرسیون وایبل با اثر تصادفی برای داده های طول عمر شغلی بیان گردید. سپس به تعمیم توزیع بقا و توزیع شکنندگی در این مدل پرداختیم. در نهایت نتایج مورد تحلیل تجربی قرار گرفت.در این پایان نامه، مدل رگرسیونی گامای تعمیم یافته با اثر تصادفی گامای معکوس تعمیم یافته بر داده های طول عمر شغلی کارمندان یک شرکت زیرمجموعه ی وزارت ارتباطات و فناوری اطلاعات مورد استفاده قرار گرفت. در تحلیل تجربی مشاهده شد که مدل تعمیم یافته برازش مناسب تری بر داده ها داشت و نسبت به مدل سان و همکاران (2007) سبب به دست آمدن براوردهای متفاوتی برای ضرایب رگرسیونی و پارامترهای مدل گردید. نتایج بیانگر این است که تعداد افراد تحت تکفل، استخدام رسمی، فعالیت در حوزه ی فنی، زمان شروع به کار، سن و مدرک تحصیلی دارای اثر معنی داری بر طول عمر شغلی می باشند.

برای مدلهای خطی با خطا در اندازه گیری

داده های گمشده یک مسئله رایج در تحلیل مطالعات طولی است. آزمودنی های حاضر در مطالعه ممکن است در همه نقاط زمانی در دسترس نباشند و یا این که مطالعه را قبل از پایان آن ترک کنند. داده های گمشده غیرقابل چشم پوشی اغلب در مطالعات طولی همراه با اندازه گیری های تکراری رخ می دهند. در چنین شرایطی باید یک مدل توأم برای پاسخ ها و مکانیسم داده های گمشده تعیین گردد. داده های طولی نیازمند روش های آماری خاصی هستند، زیرا مجموعه مشاهدات روی یک آزمودنی همبسته اند و برای به دست آوردن استنباط های معتبر آماری باید این همبستگی ها را در محاسبات اعمال کرد. مدل اثرات تصادفی یکی از روش های تحلیل داده های طولی است که در آن، همبستگی میان مشاهدات مکرر به وسیله اثرات تصادفی در نظر گرفته می شود. معمولا فرض بر این است که اثرات تصادفی از یک توزیع نرمال پیروی می کنند. اما فرضیه نرمال بودن اثرات تصادفی لزوما در عمل مناسب نیست. یک کلاس گسترده تر که توزیع نرمال را به صورت یک حالت خاص در بر می گیرد، توزیع چوله نرمال می باشد. این توزیع دارای یک پارامتر تنظیم چولگی است که اگر این پارامتر برابر با صفر قرار داده شود، توزیع نرمال به دست می آید. در این پایان نامه، مدل بندی داده های دودویی طولی همراه با انصراف غیرقابل چشم پوشی از طریق مدل های اثرات تصادفی مورد بررسی قرار می گیرد. به دست آوردن برآورد پارامترها از تابع درستنمایی حاشیه ای نیازمند انتگرال گیری های پیچیده است. برای حل این مسئله، تقریب مونت کارلو از طریق نمونه گیری گیبز به کار می رود. خروجی های نمونه گیری گیبز را می توان با استفاده از نرم افزار بیزی winbugs و با اتخاذ پیشین های ناآگاهی بخش برای پارامترها به دست آورد. هدف اصلی در این پایان نامه، بررسی توزیع اثر تصادفی در مدل اثرات تصادفی می باشد. در این راستا، توزیع چوله نرمال را به عنوان توزیع اثرات تصادفی مورد مطالعه قرار داده ایم. برازش مدل اثرات تصادفی همراه با اثرات تصادفی نرمال و چوله نرمال برای داده های بالینی متادون با استفاده از نرم افزار winbugs انجام گرفته است. نتایج برازش مدل اثر تصادفی چوله نرمال برای دو انتخاب متفاوت توزیع پیشین مربوط به پارامتر چولگی ارائه و بررسی می شود.

توزیع وایبل یکی از رایج ترین توزیع های طول عمر است. در این پایان نامه چهار تعمیم توزیع وایبل معرفی می گردد. توزیع اول تعمیم توزیع لای و همکاران (2003) با نرخ شکست صعودی، نزولی و وان شکل می باشد. توزیع دوم تعمیم توزیع سارهان و زیدین (2009) با نرخ شکست صعودی، نزولی و وان شکل است. دو خانواده جدید از توزیع ها به نام خانواده توزیع انتظار و خانواده توزیع انتظار معکوس را معرفی می کنیم. توزیع سوم (توزیع انتظار وایبل) یک حالت خاص از خانواده توزیع انتظار است که به ازای مقادیر مختلف پارامترها نرخ شکست های نزولی، صعودی، وان شکل، تک نما، نزولی صعودی نزولی و صعودی نزولی صعودی را شامل می شود. توزیع چهارم ( توزیع انتظار معکوس وایبل) یک حالت خاص از خانواده توزیع انتظار معکوس می باشد که به ازای پارامترهای مختلف دارای نرخ شکست نزولی، تک نما، نزولی صعودی نزولی و دو مدی است. تابع چگالی این توزیع ها علاوه بر نزولی و تک نما، دو مدی نیز می باشند. با استفاده از روش های عددی، برآورد ماکزیمم درستنمایی پارامترها محاسبه می شود. برای صحت دقت پارامترها، شبیه سازی این توزیع ها صورت گرفته است. نتایج عملی توزیع های پیشنهادی روی داده های واقعی با برخی توزیع های تعمیم یافته بر پایه وایبل مورد مقایسه قرار می گیرد.

توزیع وایبل یکی از مهم ترین توزیع های طول عمر است. در این پایان نامه برآوردهای حداکثر درستنمایی و برآورد نااریب با کمترین واریانس برای پارامتر قابلیت اطمینانr زمانی که توزیع قدرت و توزیع تحمل آن وایبل اصلاح شده لای و همکاران (2003) می باشد، مورد بررسی قرار می گیرند و عملکرد برآورد ماکزیمم درستنمایی و برآورد نااریب با کمترین واریانس بر طبق شبیه سازی مونت کارلو مورد مقایسه قرار می گیرند. مطالعات شبیه سازی نشان می دهد که عملکرد برآوردنااریب با کمترین واریانس، به دلیل کمتر بودن معیار میانگین مربعات خطا از برآورد ماکزیمم درستنمایی بهتر است اما بدلیل راحتی محاسبه، برآورد ماکزیمم درستنمایی توسط محققین ترجیح داده می شود. در بخش کاربردی این پژوهش پارامتر قابلیت اطمینان را به منظور مقایسه زمان سرویس دهی به مشتریان در دو بانک و طول عمر دو نوع شرکت تعاونی تولیدی و خدماتی در اهواز، برآورد خواهیم نمود.

اریبی پاسخ جامعه پسند یک مسئله ی بزرگ در مطالعات شامل سوالات حسّاس است. علت به وجود آمدن این اریبی این است که افراد در مواجهه با سوالات حسّاس به نشان دادن چهره ای مثبت از خود مبادرت می ورزند. روش پاسخ تصادفی شده یکی از روش هایی است که برای چیره شدن بر اریبی جامعه پسندی ابداع شده است. در این پایان نامه ابتدا به معرفی چند روش برای چیره شدن بر این اریبی پرداخته شده است. سپس مروری بر مدل های پاسخ تصادفی شده ی کامل و جزئی شده است. در ادامه مدل های پاسخ تصادفی شده ی اختیاری کمّی معرفی و خواص مدل پاسخ تصادفی شده ی اختیاری دو مرحله ای با استفاده از نتایج شبیه سازی بررسی شده است. سپس چند مدل پاسخ تصادفی شده ی کمّی پیشنهاد و نتایج شبیه سازی برای یک مدل پیشنهادی آورده شده است.در پایان به عنوان کاربردی از مدل های پاسخ تصادفی شده ی کمّی، با استفاده از دو مدل پاسخ تصادفی شده ی اختیاری دو و سه مرحله ای،میانگین درآمد سرپرست خانوارهای دانشجویان دانشگاه شهید چمران اهواز برآورد شده است.

مدل¬های خطی تعمیم یافته رد? وسیعی از مدل¬های آماری هستند که برای بررسی رابطه متغیرهای توضیحی بر روی میانگین متغیر پاسخ به¬کار می¬روند. در این مدل¬ها تاثیر متغیر توضیحی بر روی میانگین متغیر پاسخ از طریق یک تابع پیوند نشان داده می¬شود و اغلب از تابع‏های پیوند مشخصی مانند تابع پیوند لوجیت و پروبیت در آنها استفاده می‏شود. علاوه بر این رهیافت پارامتری، شیوه‏هایی متفاوت و در عین حال با انعطاف بیشتر نیز وجود دارند. یک شیوه این است که با استفاده از الگویی که خود داده‏ها ارائه می‏دهند، تابع پیوند به عنوان یک تابع هموار نامعلوم در نظرگرفته و با استفاده از اسپلاین¬ها براورد شود. در این روش نیازی به خطی بودن رابطه بین تابع پیوند و متغیرهای توضیحی نیست و بنابراین مدل انعطاف بیشتری دارد. در این پایان‏نامه، ضمن تشریح اسپلاین‏ها، الگوریتمی را شرح می‏دهیم که با استفاده از اسپلاین‏ها تابع پیوند نامعلوم را براورد و مدل خطی تعمیم یافته را برازش می‏دهد. همچنین، این روش را برای مدل¬بندی تصادف¬های جاده¬ای برون شهری شهرستان ماهشهر به¬کار می گیریم.

برآورد پارامترها یکی از مهم ترین موضوعات آماری در همه عرصه های علم بوده است. روش های متعددی مانند روش درستنمایی کامل برای برآورد کردن پارامترها وجود دارند. مدل های خطی تعمیم یافته کاربرد فراوانی در مدل بندی داده های علوم پزشکی، ژنتیکی، فضایی و روانشناسی دارند. داده هایی که در این علوم بدست می آیند را اغلب داده های طولی ترتیبی تشکیل می دهند. در مدل داده های طولی ترتیبی نیاز به برآورد پارامترهای مورد نظر مدل هستیم. در برآورد پارامترهای مدل داده های طولی ترتیبی توسط روش درستنمایی کامل، انتگرال های با بعد بالا و بسیار پیچیده به وجود می آیند که کار را برای یک آماردان مشکل می کند. علاوه بر این استفاده از روش درستنمایی کامل برای برآورد پارامترهای مدل داده های طولی ترتیبی باعث صرف وقت و هزینه می شود. لذا محققین دنبال روش جایگزینی بودند که باعث آسان کردن انتگرال ها به وجود آمده در برآورد پارامترها باشند. روش جایگزینی را که محققین پیشنهاد کردند، روش درستنمایی مرکب می باشد که این روش حالت های خاصی دارد و ما در این پایان نامه از روش درستنمایی زوجی مرکب استفاده کردیم. در این پایان نامه روش درستنمایی زوجی مرکب را برای برآورد پارامترهای مدل خطی تعمیم یافته داده های طولی ترتیبی با اثرات تصادفی نرمال و نرمال چوله مورد ارزیابی قرار داده ایم.این ارزیابی را با استفاده از روش های شبیه سازی شده انجام داده ایم و مقایسه بین دو مدل با اثرات تصادفی مختلف را در جدول های مربوطه نشان داده ایم.

توزیع وایبل یکی از رایج ترین توزیع های طول عمر است. در این پایان نامه چهار تعمیم توزیع وایبل معرفی می گردد. توزیع اول تعمیم توزیع لای و همکاران (2003) با نرخ شکست صعودی، نزولی و وان شکل می باشد. توزیع دوم تعمیم توزیع سارهان و زیدین (2009) با نرخ شکست صعودی، نزولی و وان شکل است. دو خانواده جدید از توزیع ها به نام خانواده توزیع انتظار و خانواده توزیع انتظار معکوس را معرفی می کنیم. توزیع سوم (توزیع انتظار وایبل) یک حالت خاص از خانواده توزیع انتظار است که به ازای مقادیر مختلف پارامترها نرخ شکست های نزولی، صعودی، وان شکل، تک نما، نزولی صعودی نزولی و صعودی نزولی صعودی را شامل می شود. توزیع چهارم ( توزیع انتظار معکوس وایبل) یک حالت خاص از خانواده توزیع انتظار معکوس می باشد که به ازای پارامترهای مختلف دارای نرخ شکست نزولی، تک نما، نزولی صعودی نزولی و دو مدی است. تابع چگالی این توریع ها علاوه بر نزولی و تک نما، دو مدی نیز می باشند. با استفاده از روش های عددی، برآورد ماکزیمم درستنمایی پارامترها محاسبه می شود. برای صحت دقت پارامترها، شبیه سازی این توزیع ها صورت گرفته است. نتایج عملی توزیع های پیشنهادی روی داده های واقعی با برخی توزیع های تعمیم یافته بر پایه وایبل مورد مقایسه قرار می گیرد.

مفصلها توابعی هستند که توابع توزیع چند متغیره را به توابع توزیع حاشیه ای آنها پیوند می دهند و توزیعهای حاشیه ای را از ساختار وابستگی جدا می سازند به همین جهت در مدلبندی بین متغیرهای وابسته استفاده می شوند. اما محدودیتهائی نیز در روشهای ساخت و مدل بندی داده ها با استفاده از این توابع وجود دارد؛ در برخی از توابع مفصل به دلیل محدود بودن دامنه همبستگی، امکان مدلبندی بین متغیرهای با همبستگی بالا وجود ندارد. به عنوان نمونه، در مفصل فارلی-گامبل-مورگنسترن که یکی از توابع مفصل پرکاربرد است، دامنه ی همبستگی محدود به می باشد. همچنین توابع مفصل، به بیان یک ساختار وابستگی معین در مدلبندیها می پردازند در حالی که در برخی از فرایندها ممکن است با یک وزن از ساختارهای وابستگی مواجه شویم و مهمتر از این دو، متقارن بودن توابع مفصل است. تقارن توابع مفصل بیانگر نقش یکسان متغیرها در توزیع توام آنها می باشد که این پیش شرط، علاوه بر محدود نمودن دامنه کاربرد توابع مفصل، قادر به توصیف بسیاری از مدلها در فرایندهای طبیعی نمی باشد. با هدف رفع محدویتهای مذکور، در این رساله، یک تعمیم از مفصل فارلی-گامبل-مورگنسترن بر حسب مقاطع چندجمله ای از درجه n در جهت بهبود دامنه همبستگی در راستای تحقیقات انجام شده با استفاده از مفصلهای مقدار فرین معرفی شده است. همچنین به منظور فایق آمدن بر محدودیت تقارن در توابع مفصل، یک کلاس نامتقارن از تعمیم معرفی شده ارائه می شود. در ادامه، کلاس نامتقارن دیگری از تعمیم مفصل گامبل-بارنت بر حسب تعریف توابع مختلفی از تابع توزیع حاشیه ای یکنواخت معرفی شده است که ویژگیهای این کلاس ارائه و به صورت کاربردی و شبیه سازی به ارزیابی زیرخانواده های تولید شده از این کلاس در مدل بندی داده های مربوط به خطر ابتلا به دیابت پرداخته می شود. در پایان، به منظور ارتقاء ساختار وابستگی معین در توابع مفصل، یک تعمیم از مفصل کلایتون تحت توابع توزیع وزنی دومتغیره با ساختار وابستگی وزنی، ارائه و کاربرد آن در علوم هیدرولوژی مورد بررسی قرار می گیرد. همچنین، اندازه ها و مفاهیم وابستگی در کلاس های معرفی شده مطالعه خواهد شد. به طور کلی، تعمیم توابع مفصل، یک رویکرد در معرفی کلاسهائی جدیدی از توابع مفصل است که منجر به استخراج ویژگیها و نتایج مطلوبی در توابع مفصل می شود. از این تعمیمها می توان در تولید زیرخانواده های جدیدی از توابع مفصل و بهبود دامنه ی همبستگی در برخی از توابع مفصل استفاده کرد. تعمیم توابع مفصل در ساخت توزیع های دومتغیره با توابع توزیع حاشیه های متفاوت و توزیعهای دومتغیره وزنی مفید می باشند.