Time Series Analysis and Its Applications: With R Examples

تحلیل سری زمانی و کاربردهای آن یک درمان متعادل و جامع از هر دو روش حوزه زمان و فرکانس با نظریه همراه ارائه می‌دهد. مثال‌های متعددی با استفاده از داده‌های بی‌اهمیت، راه‌حل‌هایی را برای مشکلاتی مانند کشف تغییرات آب و هوایی طبیعی و انسانی، ارزیابی آزمایش‌های درک درد با استفاده از تصویربرداری تشدید مغناطیسی کاربردی، و نظارت بر معاهده ممنوعیت آزمایش هسته‌ای نشان می‌دهند. این کتاب طوری طراحی شده است که به عنوان متنی برای دانشجویان مقطع کارشناسی ارشد در رشته های فیزیکی، زیستی و علوم اجتماعی و به عنوان متن مقطع کارشناسی ارشد در آمار مفید باشد. برخی از بخش ها نیز ممکن است به عنوان یک دوره مقدماتی در مقطع کارشناسی خدمت کنند. تئوری و روش شناسی برای ارائه در سطوح مختلف از هم جدا شده اند. علاوه بر پوشش روش‌های کلاسیک رگرسیون سری‌های زمانی، مدل‌های ARIMA، تحلیل طیفی و مدل‌های فضای حالت، این متن شامل پیشرفت‌های مدرن از جمله تحلیل سری‌های زمانی طبقه‌ای، روش‌های طیفی چند متغیره، سری‌های حافظه بلند، مدل‌های غیرخطی، تکنیک‌های نمونه‌گیری مجدد، مدل‌های GARCH می‌شود. روش های ادغام مونت کارلو، نوسانات تصادفی، موجک ها و زنجیره مارکوف. ویرایش سوم شامل بخش جدیدی در مورد آزمایش ریشه‌های واحد است و مطالب مربوط به مدل‌سازی فضای حالت، مدل‌های ARMAX و رگرسیون با خطاهای همبسته خودکار گسترش یافته است.

همچنین در این نسخه، استفاده پیشرفته از بسته آماری نرم افزار رایگان R نیز جدید است. به ویژه، کد R اکنون برای تقریباً همه نمونه های عددی در متن گنجانده شده است. مجموعه داده ها و اسکریپت های R اضافی اکنون در یک فایل ارائه شده است که ممکن است از طریق وب جهانی دانلود شود. این مکمل R یک فایل فشرده کوچک است که می تواند به راحتی در R بارگذاری شود و با یک دستور ساده تمام مجموعه داده ها و اسکریپت ها را در اختیار کاربر قرار دهد. وب‌سایت متن شامل کد مورد استفاده در هر مثال است تا خواننده به سادگی بتواند کد را مستقیماً در R کپی و جای‌گذاری کند. در سراسر متن استفاده می شود. علاوه بر این، ضمیمه R شامل یک آموزش در مورد دستورات اصلی R و همچنین یک سری آموزشی R است.

Time Series Analysis and Its Applications presents a balanced and comprehensive treatment of both time and frequency domain methods with accompanying theory. Numerous examples using nontrivial data illustrate solutions to problems such as discovering natural and anthropogenic climate change, evaluating pain perception experiments using functional magnetic resonance imaging, and monitoring a nuclear test ban treaty. The book is designed to be useful as a text for graduate level students in the physical, biological and social sciences and as a graduate level text in statistics. Some parts may also serve as an undergraduate introductory course. Theory and methodology are separated to allow presentations on different levels. In addition to coverage of classical methods of time series regression, ARIMA models, spectral analysis and state-space models, the text includes modern developments including categorical time series analysis, multivariate spectral methods, long memory series, nonlinear models, resampling techniques, GARCH models, stochastic volatility, wavelets and Markov chain Monte Carlo integration methods. The third edition includes a new section on testing for unit roots and the material on state-space modeling, ARMAX models, and regression with autocorrelated errors has been expanded.

Also new to this edition is the enhanced use of the freeware statistical package R. In particular, R code is now included in the text for nearly all of the numerical examples. Data sets and additional R scripts are now provided in one file that may be downloaded via the World Wide Web. This R supplement is a small compressed file that can be loaded easily into R making all the data sets and scripts available to the user with one simple command. The website for the text includes the code used in each example so that the reader may simply copy-and-paste code directly into R. Appendix R, which is new to this edition, provides a reference for the data sets and our R scripts that are used throughout the text. In addition, Appendix R includes a tutorial on basic R commands as well as an R time series tutorial.