ARMA Model Identification

در طول دو دهه گذشته، پیشرفت قابل توجهی در تحلیل سری های زمانی آماری حاصل شده است. هدف این کتاب ارائه بررسی یکی از فعال‌ترین حوزه‌ها در این زمینه است: شناسایی مدل‌های میانگین متحرک اتورگرسیو، یعنی تعیین ترتیب آنها. فرض بر این است که خوانندگان قبلاً یک دوره را در مورد تجزیه و تحلیل سری های زمانی که ممکن است در دوره تحصیلات تکمیلی ارائه شود گذرانده باشند، اما در غیر این صورت این حساب مستقل است. موضوعات اصلی تحت پوشش عبارتند از: روش باکس جنکینز، توابع خود همبستگی معکوس، شناسایی تابع جریمه مانند AIC، تکنیک های BIC و روش هانان و کوین، رگرسیون ابزاری، و طیف وسیعی از روش های شناسایی الگو. به جای پرداختن به جزئیات همه روش ها، تاکید بر کاوش ایده های اساسی زیربنای آنهاست. ارجاعات گسترده ای به ادبیات تحقیق داده شده است و در نتیجه، همه کسانی که در این موضوع تحقیق می کنند، این کمک ارزشمندی برای کار خود خواهند یافت.

During the last two decades, considerable progress has been made in statistical time series analysis. The aim of this book is to present a survey of one of the most active areas in this field: the identification of autoregressive moving-average models, i.e., determining their orders. Readers are assumed to have already taken one course on time series analysis as might be offered in a graduate course, but otherwise this account is self-contained. The main topics covered include: Box-Jenkins' method, inverse autocorrelation functions, penalty function identification such as AIC, BIC techniques and Hannan and Quinn's method, instrumental regression, and a range of pattern identification methods. Rather than cover all the methods in detail, the emphasis is on exploring the fundamental ideas underlying them. Extensive references are given to the research literature and as a result, all those engaged in research in this subject will find this an invaluable aid to their work.