fa شناسائی نقاط دورافتاده چندمتغیره بر اساس تابع دورافتادگی ژرفا-مبنا استنباط آماری Statistical Inference كاربردي و توسعه ای Applied <p dir="rtl" style="text-align: justify;">تابع ژرفا &nbsp;با در نظر گرفتن ویژگی‌های هندسی مجموعه داده‌های چندمتغیره و رتبه‌بندی مشاهدات &nbsp;ابزار مناسبی را در آمار ناپارامتری چندمتغیره فراهم آورده است. به عبارت دیگر، این تابع منجر به مرتب‌سازی از مرکز به بیرون نقاط چندمتغیره می‌شود. از آن‌جا که دورافتادگی نقاط به طور اجتناب‌ناپذیری وابسته به ترتیب داده‌ها است، این مرتب‌سازی می‌تواند راهی برای شناسایی نقاط دورافتاده فراهم کند. در این مقاله، بر اساس مفهوم تابع ژرفا، یک روش ناوردای آفین برای شناسائی نقاط دورافتاده چندمتغیره بیان می‌شود. ویژگی مطلوب ناوردای آفین &nbsp;تضمین می‌کند که نقطه دورافتاده تحت هرگونه تبدیل از محورهای مختصات کماکان به‌عنوان دورافتاده شناسایی شود. پیاده‌سازی این روش نسبت به بیشتر روش‌های چندمتغیره که دارای پیچیدگی محاسباتی هستند، ساده‌تر است. بر اساس مطالعات شبیه‌سازی عملکرد روش پیشنهادی بر اساس توابع ژرفای مختلف مورد بررسی قرار گرفته است. سرانجام، روش بیان شده برای داده‌های مسکن شهرهای منتخب ایران در سال 1397، بکار برده می‌شود.&nbsp;</p> <div style="text-align: justify;">The concept of data depth has provided a helpful tool for nonparametric multivariate statistical inference by taking into account the geometry of the multivariate data and ordering them. Indeed, depth functions provide a natural centre-outward order of multivariate points relative to a multivariate distribution or a given sample. Since the outlingness of issues is inevitably related to data ranks, the centre-outward ordering could provide an algorithm for outlier detection. In this paper, based on the data depth concept, an affine invariant method is defined to identify outlier observations. The affine invariance property ensures that the identification of outlier points does not depend on the underlying coordinate system and measurement scales. This method is easier to implement than most other multivariate methods. Based on the simulation studies, the performance of the proposed method based on different depth functions has been studied. Finally, the described method is applied to the residential houses&#39; financial values of some cities of Iran in 1397.</div> تابع ژرفا, تابع دورافتادگی, دورافتاده, ناوردایی آفین. Depth Function, Outlyingness Function, Outlier, Affine Invariance. 443 462 http://jss.irstat.ir/browse.php?a_code=A-10-1182-1&slc_lang=fa&sid=1 Sakineh Dehghan سکینه دهقان sa_dehghan@sbu.ac.ir 10031947532846007883 10031947532846007883 Yes Department of Statistics, Faculty of Mathematical Sciences, University of Shahid Beheshti, Tehran, Iran. گروه آمار، دانشکده علوم ریاضی، دانشگاه شهید بهشتی Mohamadreza Faridrohani محمدرضا فریدروحانی m_faridrohani@sbu.ac.ir 10031947532846007884 10031947532846007884 No Department of Statistics, Faculty of Mathematical Sciences, University of Shahid Beheshti, Tehran, Iran. گروه آمار، دانشکده علوم ریاضی، دانشگاه شهید بهشتی