مقایسهی برآوردگرهای بوت استرپ، درستنمایی ماکزیمم بهبودیافته و گشتاوری پارامترهای مدل خودبازگشتی با خطاهای نامنفی
نویسندگان
چکیده مقاله:
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 حالت کلی محاسبه شدهاند. همچنین با استفاده از مطالعات شبیه سازی عملکرد برآوردگرهای درستنمایی ماکزیمم، درستنمایی ماکزیمم بهبودیافته، بوت استرپ و گشتاوری برای این نوع از مدلهای سری زمانی مورد بررسی قرار گرفته است. بر اساس این مطالعه شبیه سازی، روش درستنمایی ماکزیمم دارای میانگین مربعات خطای بزرگتری نسبت به سه روش دیگر در مدلهای خودبازگشتی با خطاهای نامنفی است
منابع مشابه
کاربرد روش های بوت استرپ در برآوردگرهای gmm و gel در مدل های سری زمانی
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 برآو...
روش بوت استرپ بلوک مجزا برای تعیین اندازههای دقت برآورد پارامترهای تغییرنگار و پیشگویی فضایی
در اغلب مطالعات محیطی، دادهها بر حسب موقعیتشان در ناحیه مورد مطالعه معمولا وابسته فضایی هستند. تعیین ساختار همبستگی فضایی و پیشگویی دو مساله مهم در تحلیل دادههای فضایی هستند. برای تحلیل این دادهها، اغلب یک مدل تغییرنگار پارامتری به تغییرنگار تجربی دادهها برازش داده میشود و براساس آن پیشگویی صورت میپذیرد. با توجه به اینکه شکل بستهای برای برآوردگر پارامترهای تغییرنگار وجود ندارد، معمولا...
متن کاملبررسی برآوردگرهای ماکزیمم درستنمایی گوسین در مدل arma برای داده های فضایی
در بسیاری از مباحث و تئوری های آماری، وجود فرض استقلال، محاسبات را راحت تر و قابل فهم تر می کند. با این وجود، بررسی مدل هایی که وابستگی آماری را شامل می شوند، دقیق تر و به واقعیت نزدیک تر هستند. این مدل ها، میدان کوچکی برای داده های فضایی پیشنهاد می کنند که وابستگی را در همه جهات از خودشان نشان می دهند. اگر وابستگی مشاهدات، تابعی از فاصله بین موقعیت مشاهدات بوده، به گونه ای که مشاهدات هر چقدر ب...
برآوردگرهای روش گشتاوری تعمیم یافته
در این پایان نامه به بررسی یک روش برآوردیابی جدید، معرفی شده توسط سلطانی و حومئی (2009)، می پردازیم. این روش برآوردیابی را روش گشتاوری تعمیم یافته(amm) می نامیم. در فصل اول مقدمات و تعاریفی که در این پایان نامه به آن نیاز داریم آورده شده است. در فصل دوم سازگاری قوی برای k-امین مرتبه مجموع جزئی استیل جس تصادفی زمانیکه تابع توزیع روی یک فاصله متناهی تعریف شده است، اثبات شده است. همچنین با استفا...
15 صفحه اولانتخاب مدل غیرآشیانی در مدلهای رگرسیونی با باقیماندۀ سریهای زمانی نامنفی
یکی از فرضیات معمول در مدلهای رگرسیونی، نرمال و مستقل بودن ماندهها و آشیانی بودن مدلهای تحت بررسی است. اما در عمل، با مدلهای غیرآشیانی و خطاهای همبسته نامنفی نیز مواجه میشویم. در این مقاله، انتخاب مدل برای مدلهای رگرسیونی غیرآشیانی با باقیماندۀ خودبازگشتی نامنفی با توزیعهای گاما، وایبل و لگ-نرمال بهعنوان مدلهای رقیب در نظر گرفته شده است. بهدلایل فنی پارامترهای موجود در مدلها با استف...
متن کاملروش بوت استرپ بلوک مجزا برای تعیین اندازه های دقت برآورد پارامترهای تغییرنگار و پیشگویی فضایی
در اغلب مطالعات محیطی، دادهها بر حسب موقعیتشان در ناحیه مورد مطالعه معمولا وابسته فضایی هستند. تعیین ساختار همبستگی فضایی و پیشگویی دو مساله مهم در تحلیل دادههای فضایی هستند. برای تحلیل این دادهها، اغلب یک مدل تغییرنگار پارامتری به تغییرنگار تجربی دادهها برازش داده میشود و براساس آن پیشگویی صورت میپذیرد. با توجه به اینکه شکل بستهای برای برآوردگر پارامترهای تغییرنگار وجود ندارد، معمولا ا...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 8 شماره 2
صفحات 16- 37
تاریخ انتشار 2018-10-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023