دانلود مقاله ترجمه شده پیش بینی بهینه با مدل غیر ایستای ARFIMA


چطور این مقاله آمار و کاربردها را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2000714 رایگان است. ترجمه چکیده این مقاله آمار و کاربردها در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید

قیمت :
820,000 ریال
شناسه محصول :
2000714
سال انتشار:
2007
حجم فایل انگلیسی :
327 Kb
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com

عنوان فارسي

پیش بینی بهینه با مدل غیر ایستای ARFIMA

عنوان انگليسي

Optimal Prediction with Nonstationary ARFIMA Model

نویسنده/ناشر/نام مجله

Journal of Forecasting

این مقاله چند صفحه است؟

این مقاله ترجمه شده آمار و کاربردها شامل 17 صفحه انگلیسی به صورت پی دی اف و 26 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی


چکیده

ما دو روش را برای پیش بینی سریهای زمانی با حافظه بلند مدت غیر ایستا پیشنهاد می کنیم. در روش اول یک پارامتر وابسته با دامنه بلند d را با استفاده از داده های باریک سازی شده تخمین می زنیم، سپس از فیلتر کسری غیر ایستا برای به دست آوردن سریهای زمانی حافظه کوتاه مدت و ایستا استفاده می کنیم. در روش دوم، ما تفاوتهای پیاپیی را برای دست یابی به سریهای زمانی ایستا و احتمالا با حافظه بلند مدت بکار می بریم. در هر دو روش پیش بینی ها بر اساس نتایج بدست آمده از مؤلفه های ایستا هستند.

کلمات کلیدی: مدل ARFIMA، حافظه طولانی مدت، فرآیندهای غیر ایستا، پیش بینی بهینه.   

1-مقدمه

پیش بینی سریهای زمانی با استفاده از روش وینر-کلموگورو می تواند بدست آید (Bhansali و Kokoszka, 2001 را ببینید). قبل از آن، Box و Jenkins (1976)   این تئوری را برای فرآیند مشهور ARIMA(p, d, q) (d یک عدد صحیح است) بکار بستند تا پیش بینی های بهینه را برای فرایندهای غیر ایستا بدست آورند. در این مقاله، ما این روش را به  ARFIMA(p, d, q) بسط دادیم که در آن d هر عدد حقیقی است و d>-1/2. ما پیش بینی کننده های خطی بهینه را با استفاده از دو روش ارائه می دهیم. در روش اول، که روش 1 نامیده می شود و در بخش بعدی خواهد آمد، از داده های خام (تفاوتها را در نظر نمی گیریم) برای تخمین یک فیلتر کسری غیر ایستا استفاده می کنیم. سپس این فیلتر را برای بدست آوردن سریهای زمانی با حافظه کوتاه مدت و ایستا بکار می بریم. این روش به مدل سازی فلسفه پارزن تعلق دارد (1982)، که او آن را مدل سازی ARARMA نامید...

مدل ARFIMA حافظه طولانی مدت فرآیندهای غیر ایستا :کلمات کلیدی

چکیده انگلیسی


Abstract

We propose two methods to predict nonstationary long-memory time series. In the first one we estimate the long-range dependent parameter d by using tapered data; we then take the nonstationary fractional filter to obtain stationary and short-memory time series. In the second method, we take successive differences to obtain a stationary but possibly long-memory time series. For the two methods the forecasts are based on those obtained from the stationary components

 
Keywords: ARFIMA model long memory nonstationary processes
این برای گرایش های: کلیه گرایش ها، کاربرد دارد. [ برچسب: ]
 مقاله آمار و کاربردها با ترجمه
کتابخانه الکترونیک
دانلود مقالات ترجمه شده
جستجوی مقالات
با انتخاب رشته مورد نظر خود می توانید مقالات ترجمه شده آن رو به صورت موضوع بندی شده مشاهده نمایید