دانلود کتاب Signal extraction (به فارسی: استخراج سیگنال) نوشته شده توسط «Marc Wildi»
اطلاعات کتاب استخراج سیگنال
موضوع اصلی: اقتصاد
نوع: کتاب الکترونیکی
ناشر: Springer
نویسنده: Marc Wildi
زبان: English
فرمت کتاب: djvu (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2004
تعداد صفحه: 283
حجم کتاب: 2 مگابایت
کد کتاب: 3540229353 , 9783540229353 , 9783540269168
نوبت چاپ: 1
توضیحات کتاب استخراج سیگنال
این کتاب بینش عمیقی در مورد مشکل استخراج سیگنال – به ویژه در مرز یک نمونه، که در آن فیلترهای نامتقارن باید استفاده شود – و نحوه حل بهینه آن ارائه می دهد. رویکرد مبتنی بر مدل سنتی (TRAMO/SEATS یا X-12-ARIMA) یک روش تخمین ناکارآمد است زیرا بر عملکردهای پیش‌بینی یک مرحله‌ای (یک مدل) متکی است، در حالی که مشکل استخراج سیگنال به طور ضمنی نیازمند پیش‌بینی‌های چند مرحله‌ای خوب است. همچنین. ریشه های واحد ویژگی های مهم سیگنال ورودی هستند زیرا مجموعه ای از محدودیت ها را برای بهترین فیلتر استخراج ایجاد می کنند. از آنجایی که آزمون‌های سنتی اساساً بر عملکردهای پیش‌بینی یک مرحله‌ای متکی هستند، آزمایش‌های جدیدی در اینجا ارائه شده‌اند که به طور ضمنی عملکردهای پیش‌بینی چند مرحله‌ای را نیز در نظر می‌گیرند. افزایش کارایی به‌دست‌آمده با روش تخمین جدید، با جزئیات زیاد، با استفاده از داده‌های شبیه‌سازی‌شده و همچنین سری‌های زمانی «دنیای واقعی» تحلیل می‌شود.
The book provides deep insights into the signal extraction problem – especially at the boundary of a sample, where asymmetric filters must be used – and how to solve it optimally. The traditional model-based approach (TRAMO/SEATS or X-12-ARIMA) is an inefficient estimation method because it relies on one-step ahead forecasting performances (of a model) whereas the signal extraction problem implicitly requires good multi-step ahead forecasts also. Unit roots are important properties of the input signal because they generate a set of constraints for the best extraction filter. Since traditional tests essentially rely on one-step ahead forecasting performances, new tests are presented here which implicitly account for multi-step ahead forecasting performances too. The gain in efficiency obtained by the new estimation method is analyzed in great detail, using simulated data as well as ‘real world’ time series.
