دانلود کتاب Introduction to time series modeling, no index (به فارسی: مقدمه ای بر مدل سازی سری های زمانی، بدون شاخص) نوشته شده توسط «Genshiro Kitagawa»
اطلاعات کتاب مقدمه ای بر مدل سازی سری های زمانی، بدون شاخص
موضوع اصلی: ریاضیات
نوع: کتاب الکترونیکی
ناشر: CRC
نویسنده: Genshiro Kitagawa
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2010
تعداد صفحه: 305
حجم فایل: 3.73 مگابایت
کد کتاب: 1584889217 , 9781584889212
توضیحات کتاب مقدمه ای بر مدل سازی سری های زمانی، بدون شاخص
در مدل‌سازی سری‌های زمانی، رفتار یک پدیده خاص در رابطه با مقادیر گذشته خود و سایر متغیرهای کمکی بیان می‌شود. از آنجایی که بسیاری از پدیده‌های مهم در تحلیل آماری در واقع سری‌های زمانی هستند و شناسایی توزیع شرطی پدیده جزء ضروری مدل‌سازی آماری است، یادگیری روش‌های اساسی مدل‌سازی سری‌های زمانی بسیار مهم و مفید است. مقدمه‌ای بر مدل‌سازی سری‌های زمانی، با نشان دادن نحوه ساخت مدل‌هایی برای سری‌های زمانی با استفاده از روش‌های پایه، مدل‌های سری‌های زمانی متعدد و ابزارهای مختلف برای مدیریت آن‌ها را پوشش می‌دهد.
این کتاب از حالت- استفاده می‌کند. مدل فضا به عنوان یک ابزار عمومی برای مدل‌سازی سری‌های زمانی و روش‌های فیلتر و صاف‌سازی بازگشتی مناسب، از جمله فیلتر کالمن، فیلتر غیر گاوسی و فیلتر مونت کارلو متوالی را برای مدل‌های فضای حالت ارائه می‌کند. نویسنده با اتخاذ رویکردی یکپارچه برای ارزیابی مدل بر اساس اصل بیشینه سازی آنتروپی مورد حمایت دکتر آکایک، روش های مختلفی برای تخمین پارامترها مانند روش حداقل مربعات، روش حداکثر درستنمایی، تخمین بازگشتی برای مدل های فضای حالت و مدل استخراج می کند. انتخاب با معیار اطلاعات آکایک (AIC). همراه با روش‌های شبیه‌سازی، او مدل‌های سری زمانی ثابت استاندارد، مانند مدل‌های AR و ARMA، و همچنین مدل‌های سری زمانی غیرایستا، از جمله مدل AR ساکن محلی، مدل روند، مدل تنظیم فصلی و متغیرهای زمانی را نیز پوشش می‌دهد. مدل ضریب AR.
با تمرکز بر توصیف، مدل‌سازی، پیش‌بینی و استخراج سیگنال سری‌های زمانی، این کتاب ابزارهای اساسی برای تجزیه و تحلیل سری‌های زمانی ارائه می‌کند که در واقعیت به وجود می‌آیند. مشکلات جهانی این خوانندگان را تشویق می کند تا برای مشکلات زندگی واقعی خود مدل هایی بسازند.
In time series modeling, the behavior of a certain phenomenon is expressed in relation to the past values of itself and other covariates. Since many important phenomena in statistical analysis are actually time series and the identification of conditional distribution of the phenomenon is an essential part of the statistical modeling, it is very important and useful to learn fundamental methods of time series modeling. Illustrating how to build models for time series using basic methods, Introduction to Time Series Modeling covers numerous time series models and the various tools for handling them.
The book employs the state-space model as a generic tool for time series modeling and presents convenient recursive filtering and smoothing methods, including the Kalman filter, the non-Gaussian filter, and the sequential Monte Carlo filter, for the state-space models. Taking a unified approach to model evaluation based on the entropy maximization principle advocated by Dr. Akaike, the author derives various methods of parameter estimation, such as the least squares method, the maximum likelihood method, recursive estimation for state-space models, and model selection by the Akaike information criterion (AIC). Along with simulation methods, he also covers standard stationary time series models, such as AR and ARMA models, as well as nonstationary time series models, including the locally stationary AR model, the trend model, the seasonal adjustment model, and the time-varying coefficient AR model.
With a focus on the description, modeling, prediction, and signal extraction of times series, this book provides basic tools for analyzing time series that arise in real-world problems. It encourages readers to build models for their own real-life problems.
دانلود کتاب «مقدمه ای بر مدل سازی سری های زمانی، بدون شاخص»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.