مدل بندی سری های زمانی خود برگشت بت مشاهدات گمشده بر اساس تبدیل چندجمله ای
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه پیام نور - دانشگاه پیام نور استان تهران - پژوهشکده آمار
- نویسنده فاطمه گودرزی معصومی
- استاد راهنما مسعود یارمحمدی علی شادرخ
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1391
چکیده
پایان نامه با موضوع مدل بندی سریهای زمانی خود برگشت با مشاهدات گمشده بر اساس تبدیل چندجمله ای بر روی چگونگی براورد پارامتر از مدل اتورگرسیو(ar) سری زمانی تمرکز دارد. الگوریتم های براورد استاندارد برای مدل های ar با مشاهدات گم شده عملی نیستند .در این پایان نامه روش انتقال چندجمله ای برای تبدیل مدل های ar با مشاهدات گم شده به مدل های arma که تنها از مقادیر مشاهدات موجود شناسایی می شوند،بکار گرفته می شود . سپس الگوریتم گرادیان تصادفی تعمیم یافته esg و الگوریتم کمترین مربعات بازگشتی er-ls برای سری زمانی با مشاهدات گم شده را تجزیه و تحلیل کرده و پارامترهای مدل های arma را با استفاده از این الگوریتم ها براورد می کنیم ، براورد پارامتر مدلar از پارامترهای برآورد شده ی مدلarma تخمین زده می شود ،در ادامه ثابت می کنیم که پارامترهای براورد شده همگرا به مقادیر اصلی پارامترها هستند .برای درک بیشتر موضوع مثال هایی آورده می شود ، و در پایان به نتیجه گیری می پردازیم .
منابع مشابه
کاربرد تبدیل موجک هار در پیش بینی داده های سری زمانی مالی بر اساس مدل سری زمانی arima
این تحقیق قصد دارد تا میزان توانایی تبدیل موجک هار (haar) را در پیشبینی دادههای سریزمانی مالی مورد ارزیابی قرار دهد. بههمین منظور دادههای بورس نزدک را از سایت یاهو فاینانس انتخاب کرده و سریزمانی بازدهی این دادهها را ابتدا توسط مدل garch پیشبینی، و نتایج را ثبت کرده ایم و سپس همان سری دادهها را با استفاده از تبدیل موجک هار (haar) تبدیل و با استفاده از مدل arima این دادههای تبدیل یافته را نیز، پی...
15 صفحه اولارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته
با پیشرفت روز افزون تکنولوژیهای جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روشهایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن میباشیم. امروزه خوشهبندی داده به عنوان یکی از روشهای آنالیز و ساده سازی مجموعه دادههای بزرگ، مورد توجه بسیاری از محققین قرار گرفته است. در این میان خوشهبندی سریهای زمانی با دقت مورد قبول، حائز اهمیت بسیاری میباشد....
متن کاملپیشبینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روشهای هوشمند مبتنی بر خوشه بندی ماشین های مجازی
.
متن کاملمقایسه مدل گزینی بیزی بر اساس روش mcmc و سری های زمانی مالی (مدل گارچ)
یکی از شیوههای تجزیه و تحلیل داده های مالی و بررسی چگونگی تغییرات آن ها در طی زمان معین در گذشته و پیش بینی چگونگی رخداد آن ها در آینده استفاده از مدل های سری های زمانی است. در مباحث مالی به دلیل نا هم واریانس بودن مشاهدات موجود، نمی توان از مدل های سری های زمانی کلاسیک استفاده کرد. در این حالت، یکی از مدل های متداول، مدل های نوع گارچ[i] (garch) است که نشان دهنده رده وسیعی از مدل های اقتصادسن...
متن کاملروشهای برآورد مقادیر گمشده در سری های زمانی
فرآیند درون یابی داده های گمشده در تحلیل سریهای زمانی بسیار مهم است . روش مرسوم استفاده از مدلهای اتو رگرسیو – میانگین متحرک باکس و جنکینس جهت درون یابی این داده ها است . در تحقیقات پیشرفته اخیر در مباحث سری زمانی روش دیگر بیان مدلهای سری زمانی در قالب مدلهای فضای حالت و استفاده از صافی کالمن است . در این پایان نامه نخست روشهای درون یابی مقادیر گمشده در سری زمانی را معرفی کرده و سپس با استفاد...
ارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته
با پیشرفت روز افزون تکنولوژیهای جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روشهایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن میباشیم. امروزه خوشهبندی داده به عنوان یکی از روشهای آنالیز و ساده سازی مجموعه دادههای بزرگ، مورد توجه بسیاری از محققین قرار گرفته است. در این میان خوشهبندی سریهای زمانی با دقت مورد قبول، حائز اهمیت بسیاری میباشد. ...
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 @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه پیام نور - دانشگاه پیام نور استان تهران - پژوهشکده آمار
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023