دانلود کتاب A Course in Time Series Analysis (به فارسی: دوره ای در تجزیه و تحلیل سری های زمانی) نوشته شده توسط «Pena D. – Tiao G.C. – Tsay R.S. (Eds.)»
اطلاعات کتاب دوره ای در تجزیه و تحلیل سری های زمانی
موضوع اصلی: ریاضیات
نوع: کتاب الکترونیکی
ناشر: John Wiley & Sons
نویسنده: Pena D. – Tiao G.C. – Tsay R.S. (Eds.)
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2001
تعداد صفحه: 483
حجم فایل: 19.68 مگابایت
کد کتاب: 047136164X , 9780471361640
نوبت چاپ: 1
توضیحات کتاب دوره ای در تجزیه و تحلیل سری های زمانی
Wiley-Interscience – 2000، 483 صفحه
ISBN: 047136164Xروش های آماری جدید و جهت گیری های آتی تحقیق در سری های زمانی
دوره ای در تحلیل سری های زمانی نحوه ساخت مدل های سری زمانی برای داده های سری زمانی تک متغیره و چند متغیره را نشان می دهد. این مطالبی را که قبلاً فقط در ادبیات حرفه‌ای در دسترس بود، گرد هم می‌آورد و نمای یکپارچه از پیشرفته‌ترین روش‌های موجود برای ساخت مدل سری‌های زمانی را ارائه می‌دهد. نویسندگان با مفاهیم پایه در سری‌های زمانی تک متغیره شروع می‌کنند و ارائه‌ای به‌روز از مدل‌های ARIMA، از جمله فیلتر کالمن، تجزیه‌وتحلیل بیرونی، روش‌های خودکار برای ساخت مدل‌های ARIMA و استخراج سیگنال ارائه می‌کنند. سپس به سراغ موضوعات پیشرفته می روند و بر مدل های ناهمسان، مدل های سری زمانی غیرخطی، تحلیل سری های زمانی بیزی، تحلیل سری های زمانی ناپارامتریک و شبکه های عصبی تمرکز می کنند. پوشش سری‌های زمانی چند متغیره شامل ارائه‌هایی در مورد مدل‌های ARMA برداری، هم‌گرایی و سیستم‌های خطی چند متغیره است. ویژگی‌های ویژه عبارتند از:
مشارکت یازده نفر از چهره‌های برجسته جهان در سری‌های زمانی
توازن مشترک بین تئوری و کاربرد
مجموعه‌های سری تمرین‌ها
بسیاری از نمونه‌های داده واقعی
سبک ثابت و نشانه‌گذاری واضح و مشترک در همه مشارکت‌ها
60 نمودار و جدول مفید
که نیازی به دانش قبلی در مورد موضوع ندارد، یک دوره در تجزیه و تحلیل سری‌های زمانی مرجع مهم و منبع بسیار مفیدی برای محققان و متخصصان آمار، اقتصاد، تجارت، مهندسی، و تجزیه و تحلیل محیطی.
راهنمای مربی که راه‌حل‌های دقیق برای همه مشکلات کتاب را ارائه می‌دهد، بنا به درخواست بخش تحریریه ویلی در دسترس است. محتوا:
مقدمه (D. Pe?a & G. Tiao).
مفاهیم اساسی در سری‌های زمانی تک متغیره.
سری‌های زمانی تک متغیره: همبستگی خودکار، پیش‌بینی خطی، طیف، مدل فضای حالت (G. Wilson).
مدل‌های میانگین متحرک خودرگرسیون تک متغیره (G. Tiao).
مدل تطبیق و بررسی، و هفتم فیلتر e Kalman (G. ویلسون).
پیش‌بینی و انتخاب مدل (D. Pe?a).
غیره، مشاهدات تاثیرگذار و داده‌های گمشده (D. Pe?a).
روش‌های مدل‌سازی خودکار برای سری‌های تک متغیره (V. Gomez & ؛ A. Maravall).
تنظیم فصلی و استخراج سیگنال در سری‌های زمانی اقتصادی (V. Gomez & A. Maravall).
موضوعات پیشرفته در سری‌های زمانی تک متغیره.
مدل‌های Heteroscedatic (R. Tsay).
مدل‌های سری زمانی غیرخطی (R. Tsay).
تحلیل سری‌های زمانی بیزی (R. Tsay).
تحلیل سری‌های زمانی ناپارامتریک: رگرسیون ناپارامتریک، رگرسیون وزنی محلی، خودرگرسیون و رگرسیون چندکی (S. Heiler) .
شبکه های عصبی (K. Hornik & F. Leisch).
سری های زمانی چند متغیره.
مدل های ARMA برداری (G. Tiao).
Cointegration در مدل VAR (S. Johansen).
سیستم های خطی چند متغیره (M. Deistler).
مرجع.
Index.
ISBN: 047136164XNew statistical methods and future directions of research in time series
A Course in Time Series Analysis demonstrates how to build time series models for univariate and multivariate time series data. It brings together material previously available only in the professional literature and presents a unified view of the most advanced procedures available for time series model building. The authors begin with basic concepts in univariate time series, providing an up-to-date presentation of ARIMA models, including the Kalman filter, outlier analysis, automatic methods for building ARIMA models, and signal extraction. They then move on to advanced topics, focusing on heteroscedastic models, nonlinear time series models, Bayesian time series analysis, nonparametric time series analysis, and neural networks. Multivariate time series coverage includes presentations on vector ARMA models, cointegration, and multivariate linear systems. Special features include:
Contributions from eleven of the world’s leading figures in time series
Shared balance between theory and application
Exercise series sets
Many real data examples
Consistent style and clear, common notation in all contributions
60 helpful graphs and tables
Requiring no previous knowledge of the subject, A Course in Time Series Analysis is an important reference and a highly useful resource for researchers and practitioners in statistics, economics, business, engineering, and environmental analysis.
An Instructor’s Manual presenting detailed solutions to all the problems in the book is available upon request from the Wiley editorial department.Contents:
Introduction (D. Pe?a & G. Tiao).
BASIC CONCEPTS IN UNIVARIATE TIME SERIES.
Univariate Time Series: Autocorrelation, Linear Prediction, Spectrum, State Space Model (G. Wilson).
Univariate Autoregressive Moving Average Models (G. Tiao).
Model Fitting and Checking, and the Kalman Filter (G. Wilson).
Prediction and Model Selection (D. Pe?a).
Outliers, Influential Observations and Missing Data (D. Pe?a).
Automatic Modeling Methods for Univariate Series (V. Gomez & A. Maravall).
Seasonal Adjustment and Signal Extraction in Economic Time Series (V. Gomez & A. Maravall).
ADVANCED TOPICS IN UNIVARIATE TIME SERIES.
Heteroscedatic Models (R. Tsay).
Nonlinear Time Series Models (R. Tsay).
Bayesian Time Series Analysis (R. Tsay).
Nonparametric Time Series Analysis: Nonparametric Regression, Locally Weighted Regression, Autoregression and Quantile Regression (S. Heiler).
Neural Networks (K. Hornik & F. Leisch).
MULTIVARIATE TIME SERIES.
Vector ARMA Models (G. Tiao).
Cointegration in the VAR Model (S. Johansen).
Multivariate Linear Systems (M. Deistler).
References.
Index.
دانلود کتاب «دوره ای در تجزیه و تحلیل سری های زمانی»
