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 ب...

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...

بسیاری از سری های زمانی در عمل تحت تاثیر رویدادهای خارجی نظیر:اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتیجه ی این پیشامدهای بازدارنده که نقاط پرت نامیده می شوند، ظهور مشاهدات تصنعی است که با سایر مشاهدات سری زمانی سازگاری ندارد. در این رساله نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در مدل های garch مورد بررسی قرار گرفته و جهت شناسایی نقاط پرت، اثرات آن ها در تعیین مدل...

  در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) GARCH را در نظر گرفته و آن را با هر یک از نقاط پرت در نقطه زمانی خاصی ادغام کرده، سپس به بررسی و مقایسه تاثیر هر نوع نقطه پرت روی این مدل پرداخته شده است. در نهایت باقیمانده­ها با ...

در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) garch را در نظر گرفته و آن را با هر یک از نقاط پرت در نقطه زمانی خاصی ادغام کرده، سپس به بررسی و مقایسه تاثیر هر نوع نقطه پرت روی این مدل پرداخته شده است. در نهایت باقیمانده­ها با حض...

مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آمدن مشاهداتی مصنوعی است که با بقیه ی مشاهدات در سر ی های زمانی، سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این پایان نامه ابتدا روش آزمون دنباله ای را برای پیدا کردن نقاط پرت جمع پذیر و نوساز در مدل های arma به کار می بریم. ...

در این مقاله روشی برای استفاده از خروجی‌های کالمن فیلتر برای شناسایی تغییرات تأثیر گذار سری زمانی ارائه شده است. از آن‌جا که الگوریتم کالمن فیلتر برای تحلیل مدل‌های فضای حالت به کار می‌رود که مدل‌های خطی ARMA را پوشش می‌دهد، استفاده از این روش می‌تواند برای شناسایی تغییرات از جمله مقادیر پرت به کار رود. در این مقاله روش پیشنهاد شده برای شناسایی پنج تغییر: نقطه پرت جمع پذیر، تغییر سطح، تغییرات ف...

افزایش روزافزون داده ها در پایگاه داده ها، نیاز به روش های بهینه برای آنالیز داده ها را افزایش داده است. بیشتر مطالعات، بر روی پیدا کردن الگوهای کاربردی در پایگاه داده ها متمرکز شده اند. این مطالعات برای کاربردهای تشخیص فعالیت مجرمین در تجارت الکترونیک، تشخیص اتفاقات نادر و تشخیص انحرافات نسبت به کاربردهای موارد دیگر بیشتر و مفیدتر واقع شده است. اخیرا مطالعاتی بر روی کشف داده های پرت در پایگاه ...

در تحلیل پوششی داده ها که از مقایسه ی عملکرد نسبی یک واحد در قیاس با مجموعه ی مرجع برای تشخیص ناکارایی نسبی و ارائه ی الگوی بهبود استفاده می شود، تشخیص درست واحدهای پرت برای دستیابی به نتایج دقیق بسیار مهم است. در این نوع مدل ها ی مرز قطعی، امروزه به کارگیری آزمون های آماری در تشخیص داده های پرت بسیار مرسوم هستند. این مقاله به معرفی دو آزمون آماری برای تشخیص نقاط پرت در تحلیل پوششی داده ها می پ...