Dynamic Linear Models with R

مدل‌های فضای ایالتی در سال‌های اخیر در زمینه‌های متفاوتی مانند مهندسی، اقتصاد، ژنتیک و بوم‌شناسی محبوبیت فوق‌العاده‌ای به دست آورده‌اند. پس از مقدمه‌ای مفصل بر مدل‌های فضای حالت عمومی، این کتاب بر روی مدل‌های خطی پویا تمرکز می‌کند و بر تحلیل بیزی آن‌ها تأکید می‌کند. در صورت امکان نحوه محاسبه تخمین ها و پیش بینی ها به صورت بسته نشان داده می شود. برای مدل های پیچیده تر، از تکنیک های شبیه سازی استفاده می شود. فصل آخر الگوریتم‌های متوالی مدرن مونت کارلو را پوشش می‌دهد.

این کتاب تمام مراحل اساسی مورد نیاز برای استفاده از مدل‌های خطی پویا در عمل را با استفاده از R نشان می‌دهد. بسیاری از مثال‌های دقیق بر اساس مجموعه داده‌های واقعی ارائه شده‌اند تا نشان دهند که چگونه یک مدل خاص تنظیم کنید، پارامترهای آن را تخمین بزنید و از آن برای پیش بینی استفاده کنید. تمام کدهای استفاده شده در کتاب به صورت آنلاین موجود است.

هیچ دانش قبلی در مورد آمار بیزی یا تجزیه و تحلیل سری های زمانی لازم نیست، اگرچه آشنایی با آمار اولیه و R فرض می شود.

Giovanni Petris دانشیار دانشگاه آرکانزاس است. او مقالات زیادی در مورد تجزیه و تحلیل سری‌های زمانی، روش‌های بیزی و تکنیک‌های مونت کارلو منتشر کرده است و در پانل‌های بررسی بنیاد ملی علوم خدمت کرده است. او مرتباً در دانشگاه‌های مختلف آمریکا و ایتالیا دوره‌های تحلیل سری‌های زمانی را تدریس می‌کند. او که یک شرکت کننده فعال در لیست های پستی R است، چند بسته کمکی را توسعه داده و نگهداری می کند.

سونیا پترون دانشیار آمار در دانشگاه بوکونی، میلانو است. او مقالات تحقیقاتی را در مجلات برتر در زمینه‌های استنتاج بیزی، مدل‌های ناپارامتریک بیزی و متغیرهای پنهان منتشر کرده است. او به روش‌های ناپارامتریک بیزی برای سیستم‌های پویا و مدل‌های فضای حالت علاقه‌مند است و یکی از اعضای فعال انجمن بین‌المللی تحلیل بیزی است.

پاتریزیا کامپاگنولی دکترای خود را در رشته آمار ریاضی از دانشگاه پاویا در سال 2002 دریافت کرد. او استادیار دانشگاه میلانو-بیکوکا بود و در حال حاضر برای یک شرکت نرم افزار مالی کار می کند.

State space models have gained tremendous popularity in recent years in as disparate fields as engineering, economics, genetics and ecology. After a detailed introduction to general state space models, this book focuses on dynamic linear models, emphasizing their Bayesian analysis. Whenever possible it is shown how to compute estimates and forecasts in closed form; for more complex models, simulation techniques are used. A final chapter covers modern sequential Monte Carlo algorithms.

The book illustrates all the fundamental steps needed to use dynamic linear models in practice, using R. Many detailed examples based on real data sets are provided to show how to set up a specific model, estimate its parameters, and use it for forecasting. All the code used in the book is available online.

No prior knowledge of Bayesian statistics or time series analysis is required, although familiarity with basic statistics and R is assumed.

Giovanni Petris is Associate Professor at the University of Arkansas. He has published many articles on time series analysis, Bayesian methods, and Monte Carlo techniques, and has served on National Science Foundation review panels. He regularly teaches courses on time series analysis at various universities in the US and in Italy. An active participant on the R mailing lists, he has developed and maintains a couple of contributed packages.

Sonia Petrone is Associate Professor of Statistics at Bocconi University,Milano. She has published research papers in top journals in the areas of Bayesian inference, Bayesian nonparametrics, and latent variables models. She is interested in Bayesian nonparametric methods for dynamic systems and state space models and is an active member of the International Society of Bayesian Analysis.

Patrizia Campagnoli received her PhD in Mathematical Statistics from the University of Pavia in 2002. She was Assistant Professor at the University of Milano-Bicocca and currently works for a financial software company.