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 Time series analysis

دانلود کتاب تحلیل سری زمانی

Time series analysis

مشخصات کتاب

Time series analysis

ویرایش: 1 
نویسندگان:   
سری: Wiley series in probability and statistics 
ISBN (شابک) : 1118634322, 9781118634325 
ناشر: John Wiley & Sons 
سال نشر: 2016 
تعداد صفحات: 619 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 25 مگابایت

قیمت کتاب (تومان) : 43,000



کلمات کلیدی مربوط به کتاب تحلیل سری زمانی: تحلیل سری زمانی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Time series analysis 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 تحلیل سری زمانی 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 تحلیل سری زمانی



راهنمای مدرن و در دسترس برای تجزیه و تحلیل داده‌های سری زمانی مقدماتی

با یک راهنمای سازمان‌یافته و مستقل، تحلیل سری زمانی ارائه می‌کند مقدمه ای گسترده بر اساسی ترین روش ها و تکنیک های تحلیل سری های زمانی. این کتاب بر روی درمان سری های زمانی تک متغیره با نشان دادن تعدادی از مدل های شناخته شده مانند ARMA و ARIMA تمرکز دارد.

با ارائه پوشش معاصر، این کتاب دارای چندین تکنیک مفید و جدید توسعه یافته مانند وابستگی ضعیف و قوی است. ، روش های بیزی، داده های غیر گاوسی، ایستایی محلی، مقادیر گمشده و نقاط پرت، و مدل های آستانه. تحلیل سری زمانیشامل کاربردهای عملی روش‌های سری زمانی در سرتاسر و همچنین:

  • مثال‌های دنیای واقعی و مجموعه‌های تمرینی است که به خوانندگان اجازه می‌دهد روش‌ها و تکنیک‌های ارائه‌شده را تمرین کنند.
  • تحلیل‌های دقیق متعددی از جنبه‌های محاسباتی مربوط به اجرای روش‌شناسی از جمله کارایی الگوریتم، پیچیدگی حسابی، و زمان فرآیند
  • مسائل و یادداشت‌های کتاب‌شناختی انتهای فصل پیشنهادی برای تعمیق خوانندگان دانش از مطالب ارائه شده
  • ضمیمه هایی که حاوی جزئیات مفاهیم اساسی و انتخاب راه حل های مشکلات پیاده سازی شده در سراسر هستند
  • یک وب سایت همراه با فایل های داده های اضافی و کدهای رایانه
    • < /ul>

    تجزیه و تحلیل سری های زمانی یک کتاب درسی عالی برای دوره های کارشناسی و شروع دوره های تحصیلات تکمیلی در سری های زمانی و همچنین مکملی برای دانشجویان در رشته های آمار پیشرفته، ریاضیات، اقتصاد، مالی، مهندسی، و فیزیک این کتاب همچنین مرجع مفیدی برای محققان و دست اندرکاران در تحلیل سری های زمانی، اقتصاد سنجی، و مالی است.

    ویلفردو پالما، دکترا، استاد آمار در گروه آمار در دانشگاه Pontificia کاتولیکای شیلی. او چندین مقاله داوری منتشر کرده و بیش از ده ها افتخار و جایزه علمی دریافت کرده است. علایق تحقیقاتی او شامل تحلیل سری های زمانی، نظریه پیش بینی، سیستم های فضای حالت، مدل های خطی و اقتصاد سنجی است. او نویسنده مجموعه‌های زمانی با حافظه طولانی: نظریه و روش‌ها، همچنین توسط ویلی منتشر شده است.


توضیحاتی درمورد کتاب به خارجی

A modern and accessible guide to the analysis of introductory time series data

Featuring an organized and self-contained guide, Time Series Analysis provides a broad introduction to the most fundamental methodologies and techniques of time series analysis. The book focuses on the treatment of univariate time series by illustrating a number of well-known models such as ARMA and ARIMA.

Providing contemporary coverage, the book features several useful and newlydeveloped techniques such as weak and strong dependence, Bayesian methods, non-Gaussian data, local stationarity, missing values and outliers, and threshold models. Time Series Analysis includes practical applications of time series methods throughout, as well as:

  • Real-world examples and exercise sets that allow readers to practice the presented methods and techniques
  • Numerous detailed analyses of computational aspects related to the implementation of methodologies including algorithm efficiency, arithmetic complexity, and process time
  • End-of-chapter proposed problems and bibliographical notes to deepen readers’ knowledge of the presented material
  • Appendices that contain details on fundamental concepts and select solutions of the problems implemented throughout
  • A companion website with additional data fi les and computer codes

Time Series Analysis is an excellent textbook for undergraduate and beginning graduate-level courses in time series as well as a supplement for students in advanced statistics, mathematics, economics, finance, engineering, and physics. The book is also a useful reference for researchers and practitioners in time series analysis, econometrics, and finance.

Wilfredo Palma, PhD, is Professor of Statistics in the Department of Statistics at Pontificia Universidad Católica de Chile. He has published several refereed articles and has received over a dozen academic honors and awards. His research interests include time series analysis, prediction theory, state space systems, linear models, and econometrics. He is the author of Long-Memory Time Series: Theory and Methods, also published by Wiley.



فهرست مطالب

Content: Preface xiii    Acknowledgments xvii    Acronyms xix    1 Introduction 1    1.1 Time Series Data 2    1.2 Random Variables and Statistical Modeling 16    1.3 Discrete-Time Models 22    1.4 Serial Dependence 22    1.5 Nonstationarity 25    1.6 Whiteness Testing 32    1.7 Parametric and Nonparametric Modeling 36    1.8 Forecasting 38    1.9 Time Series Modeling 38    1.10 Bibliographic Notes 39    Problems 39    2 Linear Processes 43    2.1 Definition 44    2.2 Stationarity 44    2.3 Invertibility 45    2.4 Causality 46    2.5 Representations of Linear Processes 46    2.6 Weak and Strong Dependence 49    2.7 ARMA Models 51    2.8 Autocovariance Function 56    2.9 ACF and Partial ACF Functions 57    2.10 ARFIMA Processes 64    2.11 Fractional Gaussian Noise 71    2.12 Bibliographic Notes 72    Problems 72    3 State Space Models 89    3.1 Introduction 90    3.2 Linear Dynamical Systems 92    3.3 State space Modeling of Linear Processes 96    3.4 State Estimation 97    3.5 Exogenous Variables 113    3.6 Bibliographic Notes 114    Problems 114    4 Spectral Analysis 121    4.1 Time and Frequency Domains 122    4.2 Linear Filters 122    4.3 Spectral Density 123    4.4 Periodogram 125    4.5 Smoothed Periodogram 128    4.6 Examples 130    4.7 Wavelets 136    4.8 Spectral Representation 138    4.9 Time-Varying Spectrum 140    4.10 Bibliographic Notes 145    Problems 145    5 Estimation Methods 151    5.1 Model Building 152    5.2 Parsimony 152    5.3 Akaike and Schwartz Information Criteria 153    5.4 Estimation of the Mean 153    5.5 Estimation of Autocovariances 154    5.6 Moment Estimation 155    5.7 Maximum-Likelihood Estimation 156    5.8 Whittle Estimation 157    5.9 State Space Estimation 160    5.10 Estimation of Long-Memory Processes 161    5.11 Numerical Experiments 178    5.12 Bayesian Estimation 180    5.13 Statistical Inference 184    5.14 Illustrations 189    5.15 Bibliographic Notes 193    Problems 194    6 Nonlinear Time Series 209    6.1 Introduction 210    6.2 Testing for Linearity 211    6.3 Heteroskedastic Data 212    6.4 ARCH Models 213    6.5 GARCH Models 216    6.6 ARFIMA-GARCH Models 218    6.7 ARCH(1) Models 220    6.8 APARCH Models 222    6.9 Stochastic Volatility 222    6.10 Numerical Experiments 223    6.11 Data Applications 225    6.12 Value at Risk 236    6.13 Autocorrelation of Squares 241    6.14 Threshold autoregressive models 247    6.15 Bibliographic Notes 252    Problems 253    7 Prediction 267    7.1 Optimal Prediction 268    7.2 One-Step Ahead Predictors 268    7.3 Multistep Ahead Predictors 275    7.4 Heteroskedastic Models 276    7.5 Prediction Bands 281    7.6 Data Application 287    7.7 Bibliographic Notes 289    Problems 289    8 Nonstationary Processes 295    8.1 Introduction 296    8.2 Unit Root Testing 297    8.3 ARIMA Processes 298    8.4 Locally Stationary Processes 301    8.5 Structural Breaks 326    8.6 Bibliographic Notes 331    Problems 332    9 Seasonality 337    9.1 SARIMA Models 338    9.2 SARFIMA Models 351    9.3 GARMA Models 353    9.4 Calculation of the Asymptotic Variance 355    9.5 Autocovariance Function 355    9.6 Monte Carlo Studies 359    9.7 Illustration 362    9.8 Bibliographic Notes 364    Problems 365    10 Time Series Regression 369    10.1 Motivation 370    10.2 Definitions 373    10.3 Properties of the LSE 375    10.4 Properties of the BLUE 376    10.5 Estimation of the Mean 379    10.6 Polynomial Trend 382    10.7 Harmonic Regression 386    10.8 Illustration: Air Pollution Data 388    10.9 Bibliographic Notes 392    Problems 392    11 Missing Values and Outliers 399    11.1 Introduction 400    11.2 Likelihood Function with Missing Values 401    11.3 Effects of Missing Values on ML Estimates 405    11.4 Effects of Missing Values on Prediction 407    11.5 Interpolation of Missing Data 410    11.6 Spectral Estimation with Missing Values 418    11.7 Outliers and Intervention Analysis 421    11.8 Bibliographic Notes 434    Problems 435    12 Non-Gaussian Time Series 441    12.1 Data Driven Models 442    12.2 Parameter Driven Models 452    12.3 Estimation 453    12.4 Data Illustrations 466    12.5 Zero-Inflated Models 477    12.6 Bibliographic Notes 483    Problems 483    Appendix A: Complements 487    A.1 Projection Theorem 488    A.2 Wold Decomposition 490    A.3 Bibliographic Notes 497    Appendix B: Solutions to Selected Problems 499    Appendix C: Data and Codes 557    References 559    Topic Index 573    Author Index 577




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی