شناسایی داده ی پرت در سری های فصلی تلفیقی

thesis
abstract

در این رساله به شناسایی داده‏های پرت جمع‏پذیر در سری های تلفیق یافته که در سال‏های اخیر توجه خاص بسیاری از آماردانان را به خود جلب کرده است، پرداخته شده است. ابتدا با به کار بردن تابع مداخله، اثر چهار نوع معمول نقطه ی پرت، 1) نقطه‏ی پرت نوساز، 2) نقطه‏ی پرت جمع‏پذیر، 3) تغییر سطح و 4) تغییر موقت، را در مدل سری زمانی sarima به عنوان یک حالت خاص مدل فصلی تلفیق یافته بررسی کرده و در ادامه سه روش برای شناسایی داده ی پرت جمع پذیر در مدل های فصلی تلفیق یافته معرفی کرده ایم. این روش ها براساس الگوریتم تکرار هستند که شناسایی نقاط پرت با استفاده از یک آماره ی آزمون صورت می گیرد. با توجه به این که این آماره های آزمون دارای توزیع پارامتری نمی باشند، توزیع تجربی و اندازه و توان هر یک از این آماره ها را با استفاده از شبیه سازی به دست آورده ایم. همچنین نشان داده ایم که این روش ها در مقایسه با روش های چن و لیو، تعمیم روش برآورد نیرومند رگرسیونی به مدل های سری های زمانی و روش تشخیص نقاط پرت با شیوه ی تکرار نسبت درستنمایی ، ویژگی های مناسبی از جهت اندازه و توان آزمون دارند. در پایان این روش ها را برای داده های پرداخت های دولت، پرداخت های جاری دولت، بدهی شرکت ها وموسسات دولتی و داده های بدهی شرکت ها و موسسات دولتی به بانک مرکزی، جهت شناسایی نقاط پرت، به‏کار خواهیم برد.

similar resources

شناسایی خطاهای داده های خام بویه های موج نگار با استفاده از روش ضریب داده پرت محلی

استخراج مشخصات دریا معمولاً از طریق بویه‌های موج نگار انجام می‌شود. اما ثبت داده توسط موج نگارها معمولاً با خطاهایی همراه است. لذا قبل از استخراج هرگونه اطلاعاتی لازم است این خطاها را شناخت و آنها را حذف و یا تصحیح کرد. هدف از این تحقیق، شناسایی خطاهای موجود در برداشت داده-های خام از بویه‌های موج نگار، با استفاده از روش ضریب داده پرت محلی (LOF) است. LOF روشی قدرتمند جهت شناسایی ناهنجاری داده‌ها د...

full text

بررسی نقاط پرت در داده های سری زمانی چند متغیره

مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصا ب ها، ظهور جنگ ها، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آوردن مشاهدات مصنوعی است که با بقیه ی مشاهدات سری زمانی سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح ، تغییر موقت در سری های زمانی چند متغیره مورد بررسی قرار گرفته اند. جهت شن...

15 صفحه اول

شناسایی تکه های پرت جمع پذیر در سری های زمانی اتورگرسیو

‎در یک سری زمانی ممکن است در یک بازه زمانی ‎‎‏معین نقاط پرت به صورت پی در پی وجود داشته باشند‎.‎ مجموعه این نقاط پرت که ‎‎یک تکه پرت گ‎‏فته می شود‏، به تازگی مورد توجه آماردانان قرار گرفته است. شناسایی تکه پرت جمع پذیر به دلیل وجود اثرات پوششی و غرق شدن به آسانی میسر نمی شود. روش های بیزی که در سال های جدید در سری های زمانی کاربرد یافته اند‏، با کمک الگوریتم مونت کارلوی زنجیره مارکوفی می توانند...

شناسایی خطاهای داده های خام بویه های موج نگار با استفاده از روش ضریب داده پرت محلی

استخراج مشخصات دریا معمولاً از طریق بویه های موج نگار انجام می شود. اما ثبت داده توسط موج نگارها معمولاً با خطاهایی همراه است. لذا قبل از استخراج هرگونه اطلاعاتی لازم است این خطاها را شناخت و آنها را حذف و یا تصحیح کرد. هدف از این تحقیق، شناسایی خطاهای موجود در برداشت داده-های خام از بویه های موج نگار، با استفاده از روش ضریب داده پرت محلی (lof) است. lof روشی قدرتمند جهت شناسایی ناهنجاری داده ها د...

full text

پیش بینی تقاضای فصلی توریسم در ایران (کاربرد الگوهای سری زمانی فصلی)

چکیده توریسم نقش مهمی در اشتغال‏زایی و ایجاد درآمد در کشورها دارد و در دهه‏های اخیر، رشد قابل توجهی داشته است. به­دلیل جاذبه‏های فرهنگی و طبیعی، ایران موقعیت منحصربفردی در صنعت توریسم دارد. بنابراین توسعه این صنعت می‏تواند یک روش مناسب برای بهبود شرایط اقتصادی ایران و کاهش وابستگی آن به نفت باشد. هدف مطالعه حاضر، پیش‏بینی ورود فصلی گردشگر به ایران است. بدین منظور از رهیافت باکس- جنکینز فصلی ([1...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده علوم ریاضی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023