State Space Modeling of Time Series

در این کتاب، نویسنده یک رویکرد فضای حالت را برای مدل‌سازی سری‌های زمانی اتخاذ می‌کند تا روشی جدید و مبتنی بر رایانه برای ساخت مدل‌های سری‌های زمانی با ارزش برداری ارائه کند. این ویرایش دوم به طور کامل سازماندهی و بازنویسی شده است. مطالب پس‌زمینه منجر به دو نوع تخمین‌گر مدل‌های فضای حالت به طور منسجم در چهار فصل متوالی ارائه شده است. توضیحات جدید و کامل تری از مدل های فضای حالت برای مدل های خودرگرسیون که معمولاً در ادبیات اقتصاد سنجی و آماری استفاده می شود، ارائه شده است. مدل‌های نوآوری عقب مانده به تازگی در این نسخه علاوه بر مدل‌های نوآوری رو به جلو معرفی شده‌اند و هر دو برای ساخت تخمین‌گرهای متغیر ابزاری برای ماتریس‌های مدل استفاده می‌شوند. موارد جدید بیشتر در این نسخه شامل ویژگی‌های آماری دو نوع تخمین‌گر، جزئیات بیشتر در مورد تجزیه و تحلیل ضریب و شناسایی مدل‌های ساختاری با استفاده از مدل‌های برآورد شده، ترکیب سیگنال‌های برون‌زا و انتخاب اندازه مدل است. فصل کاملاً جدیدی به مدل‌سازی سری‌های زمانی یکپارچه، تقریباً یکپارچه و یکپارچه اختصاص داده شده است.

In this book, the author adopts a state space approach to time series modeling to provide a new, computer-oriented method for building models for vector-valued time series. This second edition has been completely reorganized and rewritten. Background material leading up to the two types of estimators of the state space models is collected and presented coherently in four consecutive chapters. New, fuller descriptions are given of state space models for autoregressive models commonly used in the econometric and statistical literature. Backward innovation models are newly introduced in this edition in addition to the forward innovation models, and both are used to construct instrumental variable estimators for the model matrices. Further new items in this edition include statistical properties of the two types of estimators, more details on multiplier analysis and identification of structural models using estimated models, incorporation of exogenous signals and choice of model size. A whole new chapter is devoted to modeling of integrated, nearly integrated and co-integrated time series.