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 حض...

  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 ...

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...

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...

در این تحقیق به تاثیر و شناسایی انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح، تغییر موقت در تعیین مدل و براورد پارامترهای سری زمانی چند متغیره پرداخته می شود. برای شناسایی انواع نقاط پرت در مدل سری های زمانی چند متغیره روش تکرار پانکراز و همکاران (2000) مورد توجه قرار می گیرد. سپس توانایی این روش نسبت به روش کلاسیک یک متغیره سری زمانی مورد بررسی قرار می گیرد. از آنجا که قیمت سکه تحت تاثیر قیمت جها...

از جمله نقاط دیگری که در این پایان نامه می توان به آن اشاره کرد نقاط دور است که ارتباط نزدیکی با نقطه پرت دارد. همچنین در این پایان نامه نقاط ضعیف و تک افتاده را مورد بررسی قرار می دهیم و کاربردهای آن را نشان می دهیم و به کمک این نقاط، ناهمگنی فضاهای تیخونف را اثبات می کنیم . همچنین شرایط وجود نقاط پرت در فضاهای تیخونف را بررسی کرده و ثابت می کنیم که اعداد حقیقی شامل نقاط پرت هستند.

ایراد اساسی آزمون‌های کلاسیک ADF و PP توان آزمو ن پایین در نمونه‌های کوچک و گسستگی توزیع مجانبی آنهاست. در مقابل، بسیاری از محققین برجسته از آزمون‌های ریشه واحد بیزی حمایت می‌کنند. در پژوهش حاضر، آزمون‌های ریشه واحد بیزی بعنوان جایگزین روش‌های کلاسیک بررسی شده است. به دلیل ساختار توزیع غیرشرطی داده‌های مالی نقطه تمرکز این پژوهش تنظیم تابع راستنمایی با توزیع مقیاس ترکیبی نرمال می‌باشد. بدین منظو...