کاربرد روش های بوت استرپ در برآوردگرهای gmm و gel در مدل های سری زمانی
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه اصفهان - پژوهشکده علوم
- author محبوبه ربیعه
- adviser نصراله ایران پناه
- publication year 1392
abstract
برآورد پارامترها یکی از مسائل مهم در استنباط آماری است. به طور گسترده روش گشتاورهای تعمیم یافته و روش درستنمایی تجربی تعمیم یافته در علوم اقتصادی برای برآورد پارامترهای یک مدل به کار گرفته می شوند. روش های متداول پیشنهاد شده معمولاً براساس فرض نرمال بودن توزیع مشاهدات است در صورتی که در روش بوت استرپ ناپارامتری به فرض معلوم بودن توزیع مشاهدات نیازی نیست. در این پایان نامه، ابتدا روش های برآوردیابی گشتاورهای تعمیم یافته و درستنمایی تجربی تعمیم یافته و سپس الگوریتم بوت استرپ نیم پارامتری برای این برآوردگرها در مدل های سری زمانی ارائه شده اند. زمانی که شرایط گشتاوری به طور پیاپی همبسته اند، استنباط پیچیده تر می شود. در این حالت روش های بوت استرپ بلوکی متعددی پیشنهاد می گردند، که از بین آن ها نسخه ناپارامتری دارای کاربرد زیادی است. همچنین تصحیح اریبی برآوردگرهای گشتاورهای تعمیم یافته و درستنمایی تجربی تعمیم یافته ارائه گردیده است. در پایان، روش های تعریف شده در این پایان نامه توسط مطالعات شبیه سازی با هم مقایسه شده اند و تحلیل دو مجموعه داده ی واقعی نیز مورد بررسی قرار گرفته اند.
similar resources
مقایسهی برآوردگرهای بوت استرپ، درستنمایی ماکزیمم بهبودیافته و گشتاوری پارامترهای مدل خودبازگشتی با خطاهای نامنفی
فرض نرمال بودن خطاها، یکی از فرضیات معمول در مدلهای سری زمانی است اما در بعضی مواقع با مواردی مواجه میشویم که خطاها از توزیع نرمال پیروی نمیکنند. در این مقاله مدلهای خودبازگشتی در نظر گرفته میشوند که در آن خطاها مستقل و همتوزیع هستند و از توزیعی از خانوادههای نمایی و یا وایبل پیروی میکنند. برآوردگرهای درستنمایی ماکزیمم بهبودیافته، بوت استرپ و گشتاوری پارامترهای مجهول مدلهای ذکر شده در ح...
full textبازه های پیش گویی بوت استرپ نیم ارامتری در سری های زمانی
یکی از مسائل مهم در تحلیل سریهای زمانی برآورد بازۀ پیش گویی آینده بر اساس مشاهدات گذشته است. در سالهای اخیر، روشهای مختلف بوتاسترپ برای برآورد بازههای پیش گویی بدون هیچ فرضی در بارۀ توزیع خطاها، ارائه شده است. روشهای بوتاسترپ نیم پارامتری بر اساس برازش یک مدل اتورگرسیو بر روی دادهها است و نمونههای بوتاسترپ با استفاده از بازنمونهگیری از باقی ماندهها تولید میشود. در این مقاله در ابت...
full textبازه های پیشگویی بوت استرپ نیم پارامتری در سری های زمانی
یکی از مسائل مهم در تحلیل سری های زمانی برآورد بازه ی پیشگویی بر اساس مشاهدات گذشته است. در سال های اخیر، روش های متفاوت بوت استرپ برای برآورد بازه های پیشگویی بدون هیچ فرضی در مورد توزیع خطاها، ارائه شده است. روش های بوت استرپ نیم پارامتری بر اساس برازش یک مدل اتورگرسیو بر روی داده ها است و نمونه های بوت استرپ با استفاده از بازنمونه گیری از باقیمانده ها تولید می شود. در این مقاله در ابتدا، روش...
full textفاصله های پیش بینی و درون یابی بوت استرپ در سری های زمانی
مبحث سری های زمانی در علوم مختلف بسیار پرکاربرد است و از هدف های اصلی آن برآورد بازه های پیشگویی بر اساس مشاهدات گذشته ی سری و برآورد بازه های درون یابی برای مقادیر گمشده است. در روش های سنتی فرض بر این است که توزیع باقیمانده ها معلوم است. اما روش های بوت استرپ بازه های پیشگویی و درون یابی را بدون هیچ فرضی درباره ی توزیع خطاها برآورد می کند. در سال های اخیر روش های متفاوت بوت استرپ ارائه شده اس...
15 صفحه اولپیش بینی فاصله ای در سری های زمانی ایستا با استفاده از روش بوت استرپ
آینده یک سری زمانی را می توان به کمک داده هایی که در طی زمان های گذشته گرداوری شده اند، را پیش بینی کرد. پیش بینی را می توان به صورت نقطه ای یا فاصله ای انجام داد. در این تحقیق، هدف پیش بینی فاصله ای است. در رویکرد کلاسیک فاصله های پیش بینی بر اساس توزیع نرمال برای خطای پیش بینی بوده است. لذا پیش بینی مناسبی با این فرض به دست نمی اید. ما در این تحقیق از روش بوت استرپ برای این فاصله ها استفاده ک...
کاربرد برخی روش های بوت استرپ در رگرسیون خطی
در بسیاری از مسایل رگرسیونی، تحلیل ها بر اساس روش کمترین توان های دوم معمولی انجام می شوند. اما اگر توزیع مانده های مدل، نرمال نباشند یا تعدادی مشاهده ی پرت در مدل وجود داشته باشد آنگاه استفاده از این روش مناسب نمی باشد. در این گونه موارد، استفاده از روش های بوت استرپ مفید است. این روش ها در مسایل رگرسیونی به دو صورت انجام می شوند: بازنمونه گیری از مانده ها و بازنمونه گیری از مشاهدات. در یک مدل...
15 صفحه اولMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه اصفهان - پژوهشکده علوم
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023