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:
نویسندگان: Anders Milhoj
سری:
ISBN (شابک) : 1612908985, 9781612908984
ناشر: SAS Institute
سال نشر: 2016
تعداد صفحات: 0
زبان: English
فرمت فایل : AZW3 (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 مگابایت
در صورت تبدیل فایل کتاب Multiple Time Series Modeling Using the SAS VARMAX Procedure 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 مدل سازی چند سری زمانی با استفاده از روش SAS VARMAX 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.
مدلسازی سری های زمانی چندگانه با استفاده از روش SAS VARMAX، با
هدف اقتصاد سنجی هایی که حداقل یک دوره را در مدل سازی سری های
زمانی گذرانده اند، امکانات تحلیلی سری زمانی را که امروز SAS
ارائه می دهد به شما آموزش می دهد. تخمین پارامترهای مدل اکنون در
یک ثانیه انجام می شود. به همین دلیل، کار در مرحله شناسایی برای
یافتن مدل صحیح غیر ضروری است. در عوض، چندین مدل رقیب را می توان
تخمین زد، و تناسب آنها را می توان فوراً با هم مقایسه کرد.
در نتیجه، برای تحلیل سری های زمانی، بیشتر فرآیند تحلیل باکس و
جنکینز برای سری های تک متغیره منسوخ شده است. روزهای قبلی بررسی
همبستگیهای متقاطع و پیش سفید کردن به پایان رسیده است، زیرا
مدلهای تاخیر توزیعشده به راحتی با روش شناسایی خودکار تأخیر
نصب میشوند. همین امر در مورد مدلهای دو متغیره و حتی چند
متغیره نیز صدق میکند، که مدلهای PROC VARMAX به طور خودکار
برای آنها نصب میشوند. برای این مدلها، تغییرات جالب دیگری نیز
به وجود میآیند: موضوعاتی مانند تست علیت گرنجر، بازخورد، تعادل،
همانباشتگی و تصحیح خطا به راحتی توسط PROC VARMAX مورد بررسی
قرار میگیرند.
یک مشکل در مدلسازی چند متغیره این است که شامل پارامترهای زیادی
است. ، پارامترها را ناپایدار می کند. این ناپایداری را می توان
با استفاده از روش های بیزی که در PROC VARMAX نیز گنجانده شده
اند، جبران کرد. به دلیل محبوبیت مدلهای GARCH، مدلسازی نوسان
اکنون به بخشی استاندارد از مدلسازی سریهای زمانی تبدیل شده
است. هر دو مدل GARCH تک متغیره و چند متغیره توسط PROC VARMAX
پشتیبانی می شوند. این ویژگی به ویژه برای تجزیه و تحلیل مالی که
در آن ریسک تمرکز دارد بسیار جالب است.
این کتاب با مثال هایی آموزش می دهد. خوانندگانی که برای اولین
بار یک سری زمانی را تجزیه و تحلیل می کنند، استفاده از PROC
VARMAX را آسان می یابند. خوانندگانی که مدلهای سری زمانی نظری
پیشرفتهتری را میشناسند، متوجه خواهند شد که PROC VARMAX ابزار
مفیدی برای ساخت مدلهای پیشرفته است.
Aimed at econometricians who have completed at least one course
in time series modeling, Multiple Time Series Modeling Using
the SAS VARMAX Procedure will teach you the time series
analytical possibilities that SAS offers today. Estimations of
model parameters are now performed in a split second. For this
reason, working through the identifications phase to find the
correct model is unnecessary. Instead, several competing models
can be estimated, and their fit can be compared
instantaneously.
Consequently, for time series analysis, most of the Box and
Jenkins analysis process for univariate series is now obsolete.
The former days of looking at cross-correlations and
pre-whitening are over, because distributed lag models are
easily fitted by an automatic lag identification method. The
same goes for bivariate and even multivariate models, for which
PROC VARMAX models are automatically fitted. For these models,
other interesting variations arise: Subjects like Granger
causality testing, feedback, equilibrium, cointegration, and
error correction are easily addressed by PROC VARMAX.
One problem with multivariate modeling is that it includes many
parameters, making parameterizations unstable. This instability
can be compensated for by application of Bayesian methods,
which are also incorporated in PROC VARMAX. Volatility modeling
has now become a standard part of time series modeling, because
of the popularity of GARCH models. Both univariate and
multivariate GARCH models are supported by PROC VARMAX. This
feature is especially interesting for financial analytics in
which risk is a focus.
This book teaches with examples. Readers who are analyzing a
time series for the first time will find PROC VARMAX easy to
use; readers who know more advanced theoretical time series
models will discover that PROC VARMAX is a useful tool for
advanced model building.