ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Introduction to Time Series Modeling with Applications in R (Chapman & Hall/CRC Monographs on Statistics and Applied Probability)

دانلود کتاب مقدمه ای بر مدل سازی سری های زمانی با کاربردهای R ()

Introduction to Time Series Modeling with Applications in R (Chapman & Hall/CRC Monographs on Statistics and Applied Probability)

مشخصات کتاب

Introduction to Time Series Modeling with Applications in R (Chapman & Hall/CRC Monographs on Statistics and Applied Probability)

ویرایش: 2 
نویسندگان:   
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 

قیمت کتاب (تومان) : 30,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


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.


توضیحاتی در مورد کتاب مقدمه ای بر مدل سازی سری های زمانی با کاربردهای R ()



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.


توضیحاتی درمورد کتاب به خارجی

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.



فهرست مطالب

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




نظرات کاربران