وقتی که حجم داده ها بسیار بزرگ است و اصطلاحا با مه داده ها سروکار داریم، روش ها و الگوریتم های کلا سیک و سنتی آمار بدلیل محدودیت حافظه و ذخیره سازی کامپیوترها امکان پذیر نیستند، در نتیجه توسعه روش های آماری جهت برازش مدل رگرسیونی برای داده ها ضروری است. در این پایان نامه روش های جدید برازش یک مدل رگرسیون خطی با تاکید بر الگوریتمی برای انجام تبدیل باکس-کاکس مورد مطالعه قرار گرفت و سه الگوریتم اجرا شد. نتایج برازش به ازای مقادیر مختلف بررسی شد که نتایج نشان داد هر چه مقدار کوچکتر باشد دقت برازش بیشتر و اختلاف بین مقدار واقعی و پیش بینی شده توسط روش برازشی کمتر است. همچنین نتایج برازش نمونه ها نشان داد که در بین هشت متغیر توصیفی ورودی فقط سه متغیر دارای تاثیر معنی دار بر نتایج برازش بودند که مجدا الگوریتم برازش شده با این سه متغیر توصیفی اجرا شد که نتایج خروجی آن فاقد اختلاف معنی دار با مدل حالت کامل بود.
