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
دسته بندی: آمار ریاضی ویرایش: 1 نویسندگان: Patrick T. Brandt, John Taylor Williams سری: ISBN (شابک) : 1412906563, 9781412906562 ناشر: سال نشر: 2006 تعداد صفحات: 121 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Multiple Time Series Models (Quantitative Applications in the Social Sciences) 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 مدلهای سری زمانی چندگانه (کاربردهای کمی در علوم اجتماعی) 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.
بسیاری از تحلیلهای دادههای سری زمانی شامل چندین متغیر مرتبط هستند. مدلسازی سریهای زمانی چندگانه، انتخابهای مشخصات و چالشهای ویژهای را ارائه میدهد. این کتاب رویکردهای رقیب اصلی برای مدلسازی سریهای زمانی چندگانه را بررسی میکند: معادلات همزمان، ARIMA، مدلهای تصحیح خطا، و خودرگرسیون برداری. متن بر روی مدلهای خودرگرسیون برداری (VAR) به عنوان تعمیم سایر رویکردهای ذکر شده تمرکز دارد. مشخصات، تخمین و استنتاج با استفاده از این مدل ها مورد بحث قرار می گیرد. نویسندگان همچنین استدلال های موافق و مخالف با استفاده از مدل های سری زمانی چند معادله را بررسی می کنند. دو مثال کامل و کار شده نشان می دهد که چگونه می توان از مدل های VAR استفاده کرد. یک پیوست به نرم افزاری می پردازد که می تواند برای مدل های سری زمانی متعدد استفاده شود و کد نرم افزاری برای تکرار نمونه ها موجود است. ویژگی های کلیدی: * مقایسه دقیق روش ها و رویکردهای سری های زمانی مختلف را ارائه می دهد. * شامل مقدمه ای مستقل برای مدل سازی خودرگرسیون برداری است. * مدلسازی سریهای زمانی متعدد را بهعنوان یک توسعه طبیعی از مدلهای آماری رایج آموزش داده میشود.
Many analyses of time series data involve multiple, related variables. Modeling Multiple Time Series presents many specification choices and special challenges. This book reviews the main competing approaches to modeling multiple time series: simultaneous equations, ARIMA, error correction models, and vector autoregression. The text focuses on vector autoregression (VAR) models as a generalization of the other approaches mentioned. Specification, estimation, and inference using these models is discussed. The authors also review arguments for and against using multi-equation time series models. Two complete, worked examples show how VAR models can be employed. An appendix discusses software that can be used for multiple time series models and software code for replicating the examples is available. Key Features: * Offers a detailed comparison of different time series methods and approaches. * Includes a self-contained introduction to vector autoregression modeling. * Situates multiple time series modeling as a natural extension of commonly taught statistical models.