ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Advanced Time Series Data Analysis: Forecasting Using EViews

دانلود کتاب تجزیه و تحلیل داده های سری زمانی پیشرفته: پیش بینی با استفاده از EViews

Advanced Time Series Data Analysis: Forecasting Using EViews

مشخصات کتاب

Advanced Time Series Data Analysis: Forecasting Using EViews

دسته بندی: اقتصاد سنجی
ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1119504716, 9781119504719 
ناشر: Wiley 
سال نشر: 2019 
تعداد صفحات: 541 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 101 مگابایت

قیمت کتاب (تومان) : 42,000



کلمات کلیدی مربوط به کتاب تجزیه و تحلیل داده های سری زمانی پیشرفته: پیش بینی با استفاده از EViews: آمار، پیش بینی، تجزیه و تحلیل سری های زمانی، Eviews



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


در صورت تبدیل فایل کتاب Advanced Time Series Data Analysis: Forecasting Using EViews به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تجزیه و تحلیل داده های سری زمانی پیشرفته: پیش بینی با استفاده از EViews نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب تجزیه و تحلیل داده های سری زمانی پیشرفته: پیش بینی با استفاده از EViews

آخرین پیشرفت ها در پیش بینی در تجزیه و تحلیل داده های کمی پیشرفته را معرفی می کند این کتاب رگرسیون های چند متغیره پیشرفته را ارائه می دهد که می تواند مستقیماً برای پیش بینی متغیرهای وابسته آنها، ارزیابی مقادیر پیش بینی در نمونه آنها و محاسبه مقادیر پیش بینی فراتر از دوره نمونه استفاده شود. مدل‌های رگرسیون چندگانه جایگزین مختلفی بر اساس یک سری زمانی، دو متغیره و سری‌های زمانی سه‌گانه ارائه شده‌اند که با در نظر گرفتن الگوهای رشد خاص هر متغیر وابسته، از ساده‌ترین مدل تا پیشرفته‌ترین مدل، توسعه می‌یابند. نمودارهای نمرات مشاهده شده و ارزیابی پیش‌بینی هر یک از مدل‌ها برای نشان دادن بدترین و بهترین مدل‌های پیش‌بینی در میان هر مجموعه از مدل‌های یک متغیر مستقل خاص ارائه شده است. تجزیه و تحلیل داده‌های سری زمانی پیشرفته: پیش‌بینی با استفاده از EViews تعدادی مدل پیش‌بینی مدرن و پیشرفته را در اختیار خوانندگان قرار می‌دهد که در هیچ کتاب دیگری وجود ندارد. آنها شامل مدل‌های تعامل مختلف، مدل‌هایی با روندهای جایگزین (از جمله مدل‌های با روندهای ناهمگن)، و مدل‌های ناهمگن کامل برای سری‌های زمانی ماهانه، سری‌های زمانی فصلی و سری‌های زمانی سالانه هستند. هر یک از مدل ها می تواند توسط همه محققین کمی استفاده شود. • مدل هایی را ارائه می دهد که همگی در کلاس درس تست شده اند • شامل نمونه های داده های واقعی است • شامل بیش از 350 مشخصات معادله از مدل های سری زمانی مختلف • شامل بیش از 200 مثال گویا با یادداشت ها و نظرات خاص • قابل استفاده برای داده های سری زمانی تمام مطالعات کمی تجزیه و تحلیل داده‌های سری زمانی پیشرفته: پیش‌بینی با استفاده از EViews برای محققان و متخصصان مدل‌های پیش‌بینی و همچنین کسانی که تجزیه و تحلیل داده‌های کمی را مطالعه می‌کنند جذاب خواهد بود. برای کسانی که مایل به کسب دانش و درک بهتر در مورد پیش بینی، به ویژه عدم قطعیت مقادیر پیش بینی هستند، مناسب است.


توضیحاتی درمورد کتاب به خارجی

Introduces the latest developments in forecasting in advanced quantitative data analysis This book presents advanced univariate multiple regressions, which can directly be used to forecast their dependent variables, evaluate their in-sample forecast values, and compute forecast values beyond the sample period. Various alternative multiple regressions models are presented based on a single time series, bivariate, and triple time-series, which are developed by taking into account specific growth patterns of each dependent variables, starting with the simplest model up to the most advanced model. Graphs of the observed scores and the forecast evaluation of each of the models are offered to show the worst and the best forecast models among each set of the models of a specific independent variable. Advanced Time Series Data Analysis: Forecasting Using EViews provides readers with a number of modern, advanced forecast models not featured in any other book. They include various interaction models, models with alternative trends (including the models with heterogeneous trends), and complete heterogeneous models for monthly time series, quarterly time series, and annually time series. Each of the models can be applied by all quantitative researchers. • Presents models that are all classroom tested • Contains real-life data samples • Contains over 350 equation specifications of various time series models • Contains over 200 illustrative examples with special notes and comments • Applicable for time series data of all quantitative studies Advanced Time Series Data Analysis: Forecasting Using EViews will appeal to researchers and practitioners in forecasting models, as well as those studying quantitative data analysis. It is suitable for those wishing to obtain a better knowledge and understanding on forecasting, specifically the uncertainty of forecast values.



فهرست مطالب

Content: Intro
 Title Page
 Copyright Page
 Contents
 About the Author
 Preface
 Chapter 1 Forecasting a Monthly Time Series
 1.1 Introduction
 1.2 Forecasting Using LV(p) Models
 1.2.1 Basic or Regular LV(p) Models
 1.2.2 Special LV(p) Models
 1.3 Forecasting Using the LVARMA(p,q,r) Model
 1.3.1 Special Notes on the ARMA Model
 1.3.2 Application of Special LVAR Models
 1.4 Forecasting Using TGARCH(a,b,c) Models
 1.4.1 Application of ARCH(a), GARCH(b), and TARCH(c) Models
 1.4.2 Application of TGARCH(a,b,0) Models
 1.4.3 Application of TGARCH(a,b,c) Models
 1.4.4 Other Alternative Models 1.5 Instrumental Variables Models1.5.1 Application of the GMM Estimation Method
 1.5.2 Application of the TSLS Estimation Method
 1.6 Special Notes and Comments on Residual Analysis
 1.6.1 Specific Residual Analysis
 1.6.2 Additional Special Notes and Comments
 1.6.3 Serial Correlation Tests
 1.7 Statistical Results Using Alternative Options
 1.7.1 Application of an Alternative Coefficient Covariance Matrix
 1.7.2 Application of Selected Combinations of Options
 1.7.3 Final Notes and Conclusions
 Chapter 2 Forecasting with Time Predictors
 2.1 Introduction 2.2 Application of LV(p) Models of HS on MONTH by YEAR2.2.1 Special LV(12) Models of HS on MONTH by YEAR
 2.2.2 Application of the Omitted Variables Test --
Likelihood Ratio
 2.2.3 Heterogeneous Model of HS on HS(-12) and Month by YEAR
 2.3 Forecast Models of HS on MONTH by YEAR
 2.3.1 Application of LV(1) Models of HS on MONTH by YEAR
 2.3.2 Application of Basic LV(p) Models of HS on MONTH by YEAR
 2.3.3 Application of AR(q) Models of HS on MONTH by YEAR
 2.3.4 Application of ARMA(q,r) Models of HS on MONTH by YEAR
 2.3.5 Application of LVAR(p,q) Models of HS on MONTH by YEAR 2.3.6 Application of LVAR(p,q) Models of HS on YEAR by MONTH2.4 Heterogeneous Classical Growth Models
 2.4.1 Forecasting Based on LV(p) Het_CGMs of HS
 2.4.2 Forecasting Based on AR(q) Het_CGMs
 2.4.3 Forecasting Based on LVAR(p,q) Het_CGMs
 2.5 Forecast Models of G in Currency.wf1
 2.5.1 LVAR(p,q) Additive Models of G by @Month with @Trend
 2.5.2 LV(1) Heterogeneous Models of G by @Month
 2.6 Forecast Models of G on G(-1) and Polynomial Time Variables
 2.6.1 Heterogeneous Model of G on G(-1) and Polynomial T by @Month
 2.6.2 Forecast Model of G on G(-1) with Heterogeneous Polynomial Trend 2.7 Forecast Models of CURR in Currency.wf12.7.1 Developing Scatter Graphs with Regressions
 2.7.2 Additive Forecast Models of CURR with a Time Predictor
 2.7.3 Interaction Forecast Models of CURR
 2.7.4 Forecast Models Based on Subsamples
 Chapter 3 Continuous Forecast Models
 3.1 Introduction
 3.2 Forecasting of FSPCOM
 3.2.1 Simple Continuous Models of FSPCOM
 3.2.2 LVAR(p,q) Models of Y = FSPCOM with Polynomial Trend
 3.2.3 Translog Models with Time Predictor
 3.3 Forecasting Based on Subsamples
 3.3.1 Lag Variable Models With Lower and Upper Bounds




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی