Characterizing Interdependencies of Multiple Time Series: Theory and Applications

این کتاب محققان و متخصصان دانشگاهی را با مفاهیم و روش‌های اساسی برای توصیف وابستگی‌های متقابل سری‌های زمانی متعدد در حوزه فرکانس آشنا می‌کند. شناسایی جهت های علی بین یک جفت سری زمانی و میزان تأثیرات آنها، و همچنین آزمایش عدم وجود رابطه بازخوردی بین آنها، از زمانی که گرنجر تعریف مشهور علیت را در نظر ارائه کرد، نقاط کانونی اصلی در تحلیل سری های زمانی چندگانه را تشکیل می دهد. از بهبود پیش بینی.

تحلیل علیت از آن زمان به طور گسترده در بسیاری از رشته ها به کار گرفته شده است. اگرچه اکثر تحلیل‌ها از منظر حوزه زمانی انجام می‌شوند، روش حوزه فرکانس معرفی شده در این کتاب، جنبه دیگری را روشن می‌کند که وابستگی‌های متقابل بین سری‌های زمانی چندگانه را از نظر اثرات بلندمدت یا کوتاه‌مدت از هم جدا می‌کند و از نظر کمی آنها را مشخص می‌کند. . روش حوزه فرکانس شامل آزمون غیر علیت گرنجر به عنوان یک مورد خاص است.

فصل 2 و 3 کتاب نسخه بهبود یافته ای از مفاهیم اساسی برای اندازه گیری اثر یک طرفه، متقابل، معرفی می کند. و تداعی سری های زمانی چندگانه، که در ابتدا توسط هوسویا پیشنهاد شد. سپس استنباط های آماری این معیارها با تمرکز بر فرآیندهای متحرک خودرگرسیون چند متغیره ثابت ارائه می شود که شامل تخمین و آزمون تغییر علیت است. تحلیل‌های تجربی برای نشان دادن اینکه چه جنبه‌های جایگزین شناسایی شده‌اند و چگونه روش‌های معرفی‌شده در اینجا می‌توانند به راحتی اعمال شوند، ارائه می‌شوند. بیشتر مطالب فصل 4 و 5 بر اساس آخرین کار تحقیقاتی نویسندگان است. موارد فرعی در پیوست جمع آوری شده است.

This book introduces academic researchers and professionals to the basic concepts and methods for characterizing interdependencies of multiple time series in the frequency domain. Detecting causal directions between a pair of time series and the extent of their effects, as well as testing the non existence of a feedback relation between them, have constituted major focal points in multiple time series analysis since Granger introduced the celebrated definition of causality in view of prediction improvement.

Causality analysis has since been widely applied in many disciplines. Although most analyses are conducted from the perspective of the time domain, a frequency domain method introduced in this book sheds new light on another aspect that disentangles the interdependencies between multiple time series in terms of long-term or short-term effects, quantitatively characterizing them. The frequency domain method includes the Granger noncausality test as a special case.

Chapters 2 and 3 of the book introduce an improved version of the basic concepts for measuring the one-way effect, reciprocity, and association of multiple time series, which were originally proposed by Hosoya. Then the statistical inferences of these measures are presented, with a focus on the stationary multivariate autoregressive moving-average processes, which include the estimation and test of causality change. Empirical analyses are provided to illustrate what alternative aspects are detected and how the methods introduced here can be conveniently applied. Most of the materials in Chapters 4 and 5 are based on the authors' latest research work. Subsidiary items are collected in the Appendix.