کمبل در سال 1991 یک روش شبیه سازی برای برازش مدل به داده های ترتیبی انجام داد. نتایج شبیه سازی کمبل نشان داد که وقتی هدف اصلی طبقه بندی کردن داده ها باشد مدلهای ترتیبی هیچ مزیتی بر مدلهای غیرترتیبی ندارد. کمبل در مقاله خود شبیه سازی را بدون در نظر گرفتن انواع مختلف داده ها و خواص آنها انجام داده است . در این تحقیق ما موضوع را با دیدگاه دیگری بررسی می کنیم. در این نوشتار با توجه به نوع گسسته یا پیوسته بودن متغیرهای کمکی مدلهای مختلفی را مورد بررسی قرار داده و انواع خطاهایی را که از این طبقه بندی حاصل می شود به دست می آوریم . همچنین نشان داده خواهد شد که مدلهای ترتیبی نسبت به مدلهای غیر ترتیبی بهتر عمل کنند. در آخر طبقه بندی کردن داده ها را با مدلهایی با اثرات آمیخته مورد بررسی قرار می دهیم.

در بسیاری از مسائل آماری ، به دلایل مختلف ، تعدادی داده گمشده وجود دارد که می تواند تجزیه و تحلیل اطلاعات را دچار مشکل سازد. روشهای گوناگون در برخورد با چنین مسائلی پیشنهاد شده است که بعضا داده های گمشده را حذف یا مقادیری را جایگزین می کنند. در مسائلی که برآورد پارامتر مدنظر است ، روش بوتسترپ با وجود داده های گمشده و محدودیت تعداد نمونه ، می تواند راه گشا باشد. بدین منظور در این پایان نامه ، سه روش اصلی در بوتسترپ همراه با تکنیک های بکار گرفته شده در مسئله داده های گمشده ، مورد توجه قرار گرفته است که عبارتند از: بوتسترپ ناپارامتری ، بوتسترپ با مکانیزم کامل و بوتسترپ با تخصیص چندگانه . در روش اول ، با استفاده از تعداد تکرار زیاد نمونه های بوتسترپ ، برآورد فاصله ای برای پارامتر مورد علاقه حاصل می شود و در روش سوم با بکارگیری تخصیص چندگانه بعنوان تکنیکی در جایگزین کردن داده های گمشده ، روشی محاسباتی و کارا برای محاسبه بازه اطمینان ارائه خواهد شد که با توجه به اختلافات نظری موجود در روش تخصیص چندگانه و بوتسترپ ، ارتباط جالب توجهی دیده می شود. نهایتا نتایج حاصل از هر سه روش ، معایب و مزایای تکنیک های بکار گرفته شده ، مورد بحث و بررسی قرار می گیرد.