دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 2
نویسندگان: Genshiro Kitagawa
سری: Chapman & Hall/CRC Monographs on Statistics and Applied Probability
ISBN (شابک) : 0367187337, 9780367187330
ناشر: Chapman and Hall/CRC
سال نشر: 2020
تعداد صفحات: 341
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Introduction to Time Series Modeling with Applications in R (Chapman & Hall/CRC Monographs on Statistics and Applied Probability) 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 مقدمه ای بر مدل سازی سری های زمانی با کاربردهای R () 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.
ستایش برای چاپ اول:
[این کتاب] منعکس کننده تجربه گسترده و مشارکت قابل توجه نویسنده در مدل سازی غیرخطی و غیر گاوسی است. … [این] کتاب ارزشمندی است، به ویژه با معرفی گسترده و قابل دسترس مدلها در چارچوب فضای حالت.
–آمار در پزشکی
آنچه این کتاب را از متون مقدماتی قابل مقایسه متمایز میکند، استفاده از مدلسازی فضای حالت است. همراه با این، تعدادی ابزار ارزشمند برای فیلتر کردن و صاف کردن بازگشتی از جمله فیلتر کالمن، و همچنین فیلترهای مونت کارلو غیر گاوسی و متوالی …
–بررسیهای MAA em>
مقدمهای بر مدلسازی سریهای زمانی: با برنامههای کاربردی در R، ویرایش دوم مدلها و ابزارهای متعدد سری زمانی ثابت و غیر ثابت را برای تخمین و استفاده پوشش میدهد. آنها هدف این کتاب این است که خوانندگان را قادر سازد تا مدل های خود را برای درک، پیش بینی و تسلط بر سری های زمانی بسازند. ویرایش دوم این امکان را برای خوانندگان فراهم میکند تا نمونههایی را در این کتاب با استفاده از بسته R در دسترس TSSS برای انجام محاسبات برای مسائل سری زمانی دنیای واقعی خود بازتولید کنند.
این کتاب از مدل فضای حالت به عنوان یک ابزار عمومی برای مدلسازی سریهای زمانی استفاده میکند و فیلتر کالمن، فیلتر غیر گاوسی و فیلتر ذرات را به عنوان ابزارهای مناسب برای تخمین بازگشتی برای مدلهای فضای حالت ارائه میکند. علاوه بر این، همچنین یک رویکرد یکپارچه بر اساس اصل بیشینه سازی آنتروپی دارد و از روش های مختلفی برای تخمین پارامتر و انتخاب مدل، از جمله روش حداقل مربعات، روش حداکثر احتمال، تخمین بازگشتی برای مدل های فضای حالت و انتخاب مدل توسط AIC استفاده می کند. /p>
همراه با مدلهای سری زمانی ثابت استاندارد، مانند مدلهای AR و ARMA، این کتاب همچنین مدلهای سری زمانی غیرایستا مانند مدل AR ثابت محلی، مدل روند، مدل تنظیم فصلی، زمان را معرفی میکند. -مدل AR ضریب متغیر و مدلهای فضای حالت غیر گاوسی غیرخطی.
درباره نویسنده
Genshiro کیتاگاوااستاد پروژه در دانشگاه توکیو، مدیرکل سابق موسسه ریاضیات آماری و رئیس سابق سازمان تحقیقات اطلاعات و سیستمها.
Praise for the first edition:
[This book] reflects the extensive experience and significant contributions of the author to non-linear and non-Gaussian modeling. … [It] is a valuable book, especially with its broad and accessible introduction of models in the state space framework.
–Statistics in Medicine
What distinguishes this book from comparable introductory texts is the use of state space modeling. Along with this come a number of valuable tools for recursive filtering and smoothing including the Kalman filter, as well as non-Gaussian and sequential Monte Carlo filters …
–MAA Reviews
Introduction to Time Series Modeling: with Applications in R, Second Edition covers numerous stationary and nonstationary time series models and tools for estimating and utilizing them. The goal of this book is to enable readers to build their own models to understand, predict and master time series. The second edition makes it possible for readers to reproduce examples in this book by using the freely-available R package TSSS to perform computations for their own real-world time series problems.
This book employs the state-space model as a generic tool for time series modeling and presents the Kalman filter, the non-Gaussian filter and the particle filter as convenient tools for recursive estimation for state-space models. Further, it also takes a unified approach based on the entropy maximization principle and employs various methods of parameter estimation and model selection, including the least squares method, the maximum likelihood method, recursive estimation for state-space models and model selection by AIC.
Along with the standard stationary time series models, such as the AR and ARMA models, the book also introduces nonstationary time series models such as the locally stationary AR model, the trend model, the seasonal adjustment model, the time-varying coefficient AR model and nonlinear non-Gaussian state-space models.
About the Author
Genshiro Kitagawa is a project professor at the University of Tokyo, the former Director-General of the Institute of Statistical Mathematics, and the former President of the Research Organization of Information and Systems.
Cover Half Title Series Page Title Page Copyright Page Contents Preface Preface for Second Edition R and the Time Series Modeling Package TSSS 1. Introduction and Preparatory Analysis 1.1 Time Series Data 1.2 Classification of Time Series 1.3 Objectives of Time Series Analysis 1.4 Pre-Processing of Time Series 1.4.1 Transformation of variables 1.4.2 Differencing 1.4.3 Month-to-month basis and year-over-year 1.4.4 Moving average 1.5 Organization of This Book 2. The Covariance Function 2.1 The Distribution of Time Series and Stationarity 2.2 The Autocovariance Function of Stationary Time Series 2.3 Estimation of the Autocovariance and Autocorrelation Functions 2.4 Multivariate Time Series and Scatterplots 2.5 Cross-Covariance Function and Cross-Correlation Function 3. The Power Spectrum and the Periodogram 3.1 The Power Spectrum 3.2 The Periodogram 3.3 Averaging and Smoothing of the Periodogram 3.4 Computational Method of Periodogram 3.5 Computation of the Periodogram by Fast Fourier Transform 4. Statistical Modeling 4.1 Probability Distributions and Statistical Models 4.2 K-L Information and Entropy Maximization Principle 4.3 Estimation of the K-L Information and the Log-Likelihood 4.4 Estimation of Parameters by the Maximum Likelihood Method 4.5 AIC (Akaike Information Criterion) 4.5.1 Evaluation of C1 4.5.2 Evaluation of C3 4.5.3 Evaluation of C2 4.5.4 Evaluation of C and AIC 4.6 Transformation of Data 5. The Least Squares Method 5.1 Regression Models and the Least Squares Method 5.2 The Least Squares Method Based on the Householder Transformation 5.3 Selection of Order by AIC 5.4 Addition of Data and Successive Householder Reduction 5.5 Variable Selection by AIC 6. Analysis of Time Series Using ARMA Models 6.1 ARMA Model 6.2 The Impulse Response Function 6.3 The Autocovariance Function 6.4 The Relation Between AR Coefficients and PARCOR 6.5 The Power Spectrum of the ARMA Process 6.6 The Characteristic Equation 6.7 The Multivariate AR Model 7. Estimation of an AR Model 7.1 Fitting an AR Model 7.2 Yule-Walker Method and Levinson’s Algorithm 7.3 Estimation of an AR Model by the Least Squares Method 7.4 Estimation of an AR Model by the PARCOR Method 7.5 Large Sample Distribution of the Estimates 7.6 Estimation of Multivariate AR Model by the Yule-Walker Method 7.7 Estimation of Multivariate AR Model by the Least Squares Method 8. The Locally Stationary AR Model 8.1 Locally Stationary AR Model 8.2 Automatic Partitioning of the Time Interval into an Arbitrary Number of Subintervals 8.3 Precise Estimation of the Change Point 8.4 Posterior Probability of the Change Point 9. Analysis of Time Series with a State-Space Model 9.1 The State-Space Model 9.2 State Estimation via the Kalman Filter 9.3 Smoothing Algorithms 9.4 Long-Term Prediction of the State 9.5 Prediction of Time Series 9.6 Likelihood Computation and Parameter Estimation for Time Series Models 9.7 Interpolation of Missing Observations 10. Estimation of the ARMA Model 10.1 State-Space Representation of the ARMA Model 10.2 Initial State Distribution for an AR Model 10.3 Initial State Distribution of an ARMA Model 10.4 Maximum Likelihood Estimates of an ARMA Model 10.5 Initial Estimates of Parameters 11. Estimation of Trends 11.1 The Polynomial Trend Model 11.2 Trend Component Model – Model for Gradual Changes 11.3 Trend Model 12. The Seasonal Adjustment Model 12.1 Seasonal Component Model 12.2 Standard Seasonal Adjustment Model 12.3 Decomposition Including a Stationary AR Component 12.4 Decomposition Including a Trading-Day Effect 13. Time-Varying Coefficient AR Model 13.1 Time-Varying Variance Model 13.2 Time-Varying Coefficient AR Model 13.3 Estimation of the Time-Varying Spectrum 13.4 The Assumption on System Noise for the Time-Varying Coefficient AR Model 13.5 Abrupt Changes of Coefficients 14. Non-Gaussian State-Space Model 14.1 Necessity of Non-Gaussian Models 14.2 Non-Gaussian State-Space Models and State Estimation 14.3 Numerical Computation of the State Estimation Formula 14.4 Non-Gaussian Trend Model 14.5 Non-symmetric Distribution – A Time-Varying Variance Model 14.6 Applications of the Non-Gaussian State-Space Model 14.6.1 Processing of the outliers by a mixture of Gaussian distributions 14.6.2 A nonstationary discrete process 14.6.3 A direct method of estimating the time-varying variance 14.6.4 Nonlinear state-space models 15. Particle Filter 15.1 The Nonlinear Non-Gaussian State-Space Model and Approximations of Distributions 15.2 Particle Filter 15.2.1 One-step-ahead prediction 15.2.2 Filtering 15.2.3 Algorithm for the particle filter 15.2.4 Likelihood of a model 15.2.5 On the re-sampling method 15.2.6 Numerical examples 15.3 Particle Smoothing Method 15.4 Nonlinear Smoothing 16. Simulation 16.1 Generation of Uniform Random Numbers 16.2 Generation of White Noise 16.2.1 x2 distribution 16.2.2 Cauchy distribution 16.2.3 Arbitrary distribution 16.3 Simulation of ARMA models 16.4 Simulation Using a State-Space Model 16.5 Simulation with the Non-Gaussian State-Space Model Appendix A: Algorithms for Nonlinear Optimization Appendix B: Derivation of Levinson’s Algorithm Appendix C: Derivation of the Kalman Filter and Smoother Algorithms C.1 Kalman Filter C.2 Smoothing Appendix D: Algorithm for the Particle Filter D.1 One-Step-Ahead Prediction D.2 Filter D.3 Smoothing Bibliography Index