چطور این مقاله آمار و کاربردها را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2009624 رایگان است. ترجمه چکیده این مقاله آمار و کاربردها در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
660 Kb
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
برآورد دقیق ماکسیمم درست نمایی برای مدل های سری زمانی دوره ای غیرمانا
عنوان انگليسي
Exact maximum likelihood estimation for non-stationary periodic time series models
نویسنده/ناشر/نام مجله
Computational Statistics and Data Analysis
این مقاله چند صفحه است؟
این مقاله ترجمه شده آمار و کاربردها شامل 14 صفحه انگلیسی به صورت پی دی اف و 39 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
مدل های سری زمانی با مقادیر پارامتری وابسته به شاخص فصلی، معمولاً به عنوان مدل های دورهای شناخته می شوند. فرمول بندی های دورهای مربوط به دو رده از مدل های سری زمانی در اینجا در نظر گرفته می شود: مدل های مولفه مشاهده نشده و میانگین متحرک جمع بسته اتورگرسیو فصلی. نمایش های مناسبی از فضای حالت مدل های دوره ای برای تسهیل شناسایی، مشخصه یابی و براورد دقیق ماکسیمم درست نمایی پارامترهای دوره ای مدل پیشنهاد می شوند. این فرمول بندی ها نیازی به تعیین اولیه تفاضل (فصلی) سری زمانی ندارند. نمایش فضای حالت متغیر با زمان، یک جایگزین جالب توجه برای نمایش برداری زمان ثابت مدل های دوره ای است که نوعاً سبب ایجاد بردار حالتی با ابعاد بالا در مدل های سری زمانی دوره ای ماهانه می شود. پیشرفت اصلی ایجاد شده در این مقاله، روش ارائه شده ما برای محاسبه ماتریس واریانس – کوواریانس مجموعه مشاهدات اولیه است که برای براورد دقیق ماکسیمم درست نمایی موردنیاز است. دو رده از مدل های دوره ای برای سری زمانی بیکاری ماهانه پس از جنگ آمریکا نشان داده می شود.
1-مقدمه
سری های زمانی فصلی که توابع خود همبستگی شان با تغییر فصل تغییر می کند، سری زمانی دوره ای نام دارند. برای شناسایی مشخصات دینامیکی یک سری زمانی، گلادیسوف (1961) و تیائو و گروپه (1980) با استفاده از نمایش برداری مانای سری زمانی تک متغیری دوره ای، خودهمبستگی دوره ای را تعریف کردند. زمانی که خصوصیات دوره ای یک سری زمانی شناخته شد، تحلیل گر سری زمانی می تواند مدل های سری زمانی ای را در نظر بگیرد که این همبستگی های دوره ای را ایجاد کنند....
روش های فضای حالت پارامترهای متغیر با زمان مدل های SARIMA
:کلمات کلیدی
Abstract
Time series models with parameter values that depend on the seasonal index are commonly referred to as periodic models. Periodic formulations for two classes of time series models are considered: seasonal autoregressive integrated moving average and unobserved components models. Convenient state space representations of the periodic models are proposed to facilitate model identification, specification and exact maximum likelihood estimation of the periodic parameters. These formulations do not require a priori (seasonal) differencing of the time series. The time-varying state space representation is an attractive alternative to the time-invariant vector representation of periodic models which typically leads to a high dimensional state vector in monthly periodic time series models. A key development is our method for computing the variance–covariance matrix of the initial set of observations which is required for exact maximum likelihood estimation. The two classes of periodic models are illustrated for a monthly postwar US unemployment time series.
Keywords:
State space methods Time-varying parameters SARIMA models
سایر منابع آمار و کاربردها در زمینه سری زمانی