دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Empirical Model Discovery and Theory Evaluation: Automatic Selection Methods in Econometrics
دانلود کتاب کشف مدل تجربی و ارزیابی نظریه: روش های انتخاب خودکار در اقتصاد سنجی
مشخصات کتاب
Empirical Model Discovery and Theory Evaluation: Automatic Selection Methods in Econometrics
ویرایش: Hardcover نویسندگان: David F. Hendry, Jurgen A. Doornik سری: ISBN (شابک) : 0262028352, 9780262028356 ناشر: Mit Press سال نشر: 2014 تعداد صفحات: 387 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 42,000
در صورت تبدیل فایل کتاب Empirical Model Discovery and Theory Evaluation: Automatic Selection Methods in Econometrics 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 کشف مدل تجربی و ارزیابی نظریه: روش های انتخاب خودکار در اقتصاد سنجی 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 کشف مدل تجربی و ارزیابی نظریه: روش های انتخاب خودکار در اقتصاد سنجی
ترکیبی از تحقیقات اقتصاد سنجی پیشگامانه نویسندگان در مورد
انتخاب مدل خودکار، که از الگوریتم های محاسباتی قدرتمند و
ارزیابی تئوری استفاده می کند.
مدل های اقتصادی پدیده های تجربی به دلایل مختلفی توسعه یافته
اند. که بارزترین آن توصیف عددی شواهد موجود است، به شکلی مناسب.
یکی دیگر، آزمایش یک نظریه، یا ارزیابی آن در برابر شواهد است.
یکی دیگر از آنها پیش بینی نتایج آینده است. ساخت چنین مدل‌هایی
مستلزم تصمیمات متعددی است و تعداد زیادی از ویژگی‌هایی که باید
در نظر گرفته شوند، می‌توانند محقق را تحت تأثیر قرار دهند.
انتخاب مدل خودکار، که از پیشرفت‌های اخیر در الگوریتم‌های
محاسباتی و جست‌وجو متکی است، می‌تواند دامنه وسیع‌تری از
احتمالات را حتی از بزرگ‌ترین متخصصان ایجاد کند و سپس به صورت
تجربی بررسی کند. در این کتاب، اقتصاددانان برجسته دیوید هندری و
یورگن دورنیک از چندین دهه تحقیقات ابتکاری خود در مورد انتخاب
مدل خودکار گزارش می دهند.
پس از معرفی اصول کشف مدل تجربی و نقش انتخاب مدل، هندری و دورنیک
مراحل توسعه یک مدل قابل دوام از یک فرآیند پیچیده در حال تکامل
را ترسیم کنید. آنها مراحل کشف را با در نظر گرفتن هر دو نظریه
انتخاب مدل و عملکرد چندین الگوریتم به تفصیل مورد بحث قرار می
دهند. آنها توسعه‌هایی را برای مقابله با نقاط پرت و شکست‌های
متعدد توصیف می‌کنند که منجر به حالت کلی متغیرهای کاندید بیشتری
نسبت به مشاهدات می‌شود. در نهایت، آنها به طور مختصر انتخاب مدل
هایی را به طور خاص برای پیش بینی در نظر می گیرند.
توضیحاتی درمورد کتاب به خارجی
A synthesis of the authors' groundbreaking econometric
research on automatic model selection, which uses powerful
computational algorithms and theory evaluation.
Economic models of empirical phenomena are developed for a
variety of reasons, the most obvious of which is the numerical
characterization of available evidence, in a suitably
parsimonious form. Another is to test a theory, or evaluate it
against the evidence; still another is to forecast future
outcomes. Building such models involves a multitude of
decisions, and the large number of features that need to be
taken into account can overwhelm the researcher. Automatic
model selection, which draws on recent advances in computation
and search algorithms, can create, and then empirically
investigate, a vastly wider range of possibilities than even
the greatest expert. In this book, leading econometricians
David Hendry and Jurgen Doornik report on their several decades
of innovative research on automatic model selection.
After introducing the principles of empirical model discovery
and the role of model selection, Hendry and Doornik outline the
stages of developing a viable model of a complicated evolving
process. They discuss the discovery stages in detail,
considering both the theory of model selection and the
performance of several algorithms. They describe extensions to
tackling outliers and multiple breaks, leading to the general
case of more candidate variables than observations. Finally,
they briefly consider selecting models specifically for
forecasting.
