دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Time Series Analysis. Nonstationary and Noninvertible Distribution Theory
دانلود کتاب تجزیه و تحلیل سری زمانی تئوری توزیع غیر ثابت و غیر قابل تبدیل
مشخصات کتاب
Time Series Analysis. Nonstationary and Noninvertible Distribution Theory
ویرایش:
نویسندگان: Katsuto Tanaka
سری:
ISBN (شابک) : 9781119132110
ناشر: Wiley
سال نشر: 2017
تعداد صفحات: 886
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
قیمت کتاب (تومان) : 36,000
در صورت تبدیل فایل کتاب Time Series Analysis. Nonstationary and Noninvertible Distribution Theory 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 تجزیه و تحلیل سری زمانی تئوری توزیع غیر ثابت و غیر قابل تبدیل 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 تجزیه و تحلیل سری زمانی تئوری توزیع غیر ثابت و غیر قابل تبدیل
منعکس کننده تحولات و جهت گیری های جدید در این زمینه از زمان انتشار اولین نسخه موفق و حاوی مجموعه کاملی از مشکلات و راه حل ها است. به طور خاص، بخش هایی در مورد تجزیه و تحلیل داده های پانل غیر ثابت و بحث در مورد تمایز بین روندهای قطعی و تصادفی اضافه شده است. سه فصل جدید در مورد فرآیندهای زمان گسسته و زمان پیوسته با حافظه طولانی نیز ایجاد شده است، در حالی که برخی از فصل ها ادغام شده و برخی از بخش ها حذف شده اند. یازده فصل اول ویرایش اول در ده فصل فشرده شده است، با یک فصل در مورد پانل غیر ثابت اضافه شده و در قسمت اول: تجزیه و تحلیل سری های زمانی غیر کسری قرار دارد. فصل های 12 تا 14 به تازگی تحت بخش دوم نوشته شده است: تجزیه و تحلیل سری های زمانی کسری. فصل 12 با معرفی مدلهای ARFIMA و حرکت براونی کسری (fBm) در مورد نظریه اساسی فرآیندهای حافظه بلند بحث میکند. فصل 13 به محاسبه توزیع توابع درجه دوم fBm و نسبت آن می پردازد. در مرحله بعد، فصل 14 فرآیند کسری Ornstein-Uhlenbeck را معرفی میکند که استنتاج آماری در آن مورد بحث قرار میگیرد. در نهایت، فصل 15 مجموعه کاملی از راهحلها را برای مشکلات مطرح شده در انتهای بیشتر بخشها ارائه میکند. این نسخه جدید دارای ویژگیهای زیر است: • بخشهایی برای بحث در مورد تجزیه و تحلیل دادههای پانل غیرایستا، مشکل تمایز بین روندهای قطعی و تصادفی، و فرآیندهای غیر ثابت انحرافات محلی از یک ریشه واحد • در نظر گرفتن تخمینگر حداکثر احتمال پارامتر دریفت، و همچنین مجانبی با افزایش دامنه نمونهگیری • بحث در مورد سریهای زمانی غیر ثابت، بلکه غیرقابل معکوس از دیدگاه نظری • مباحث جدیدی مانند محاسبه توان محلی محدود کننده آزمونهای ریشه واحد پانل، استخراج توزیع ریشه واحد کسری، و آزمونهای ریشه واحد تحت خطای fBm تجزیه و تحلیل سری های زمانی: تئوری توزیع غیر ثابت و غیر قابل تبدیل، ویرایش دوم، مرجعی برای دانشجویان تحصیلات تکمیلی در اقتصاد سنجی یا تحلیل سری های زمانی است. کاتسوتو تاناکا، دکترا، استاد دانشکده اقتصاد در دانشگاه گاکوشوین است و قبلاً استاد دانشگاه هیتوتسوباشی بود. او برنده جایزه نظریه اقتصاد سنجی Tjalling C. Koopmans (1996)، جایزه انجمن آمار ژاپن (1998) و جایزه نظریه اقتصاد سنجی (1999) است. دکتر تاناکا به غیر از اولین نسخه تحلیل سری زمانی (وایلی، 1996)، پنج کتاب اقتصاد سنجی و آمار را به زبان ژاپنی منتشر کرده بود.
توضیحاتی درمورد کتاب به خارجی
Reflects the developments and new directions in the field since the publication of the first successful edition and contains a complete set of problems and solutions This revised and expanded edition reflects the developments and new directions in the field since the publication of the first edition. In particular, sections on nonstationary panel data analysis and a discussion on the distinction between deterministic and stochastic trends have been added. Three new chapters on long-memory discrete-time and continuous-time processes have also been created, whereas some chapters have been merged and some sections deleted. The first eleven chapters of the first edition have been compressed into ten chapters, with a chapter on nonstationary panel added and located under Part I: Analysis of Non-fractional Time Series. Chapters 12 to 14 have been newly written under Part II: Analysis of Fractional Time Series. Chapter 12 discusses the basic theory of long-memory processes by introducing ARFIMA models and the fractional Brownian motion (fBm). Chapter 13 is concerned with the computation of distributions of quadratic functionals of the fBm and its ratio. Next, Chapter 14 introduces the fractional Ornstein–Uhlenbeck process, on which the statistical inference is discussed. Finally, Chapter 15 gives a complete set of solutions to problems posed at the end of most sections. This new edition features: • Sections to discuss nonstationary panel data analysis, the problem of differentiating between deterministic and stochastic trends, and nonstationary processes of local deviations from a unit root • Consideration of the maximum likelihood estimator of the drift parameter, as well as asymptotics as the sampling span increases • Discussions on not only nonstationary but also noninvertible time series from a theoretical viewpoint • New topics such as the computation of limiting local powers of panel unit root tests, the derivation of the fractional unit root distribution, and unit root tests under the fBm error Time Series Analysis: Nonstationary and Noninvertible Distribution Theory, Second Edition, is a reference for graduate students in econometrics or time series analysis. Katsuto Tanaka, PhD, is a professor in the Faculty of Economics at Gakushuin University and was previously a professor at Hitotsubashi University. He is a recipient of the Tjalling C. Koopmans Econometric Theory Prize (1996), the Japan Statistical Society Prize (1998), and the Econometric Theory Award (1999). Aside from the first edition of Time Series Analysis (Wiley, 1996), Dr. Tanaka had published five econometrics and statistics books in Japanese.
فهرست مطالب
Content: Cover
Title Page
Copyright
Contents
Preface to the Second Edition
Preface to the First Edition
Part I Analysis of Non Fractional Time Series
Chapter 1 Models for Nonstationarity and Noninvertibility
1.1 Statistics from the One-Dimensional Random Walk
1.1.1 Eigenvalue Approach
1.1.2 Stochastic Process Approach
1.1.3 The Fredholm Approach
1.1.4 An Overview of the Three Approaches
1.2 A Test Statistic from a Noninvertible Moving Average Model
1.3 The AR Unit Root Distribution
1.4 Various Statistics from the Two-Dimensional Random Walk
1.5 Statistics from the Cointegrated Process. 1.6 Panel Unit Root TestsChapter 2 Brownian Motion and Functional Central Limit Theorems
2.1 The Space L2 of Stochastic Processes
2.2 The Brownian Motion
2.3 Mean Square Integration
2.3.1 The Mean Square Riemann Integral
2.3.2 The Mean Square Riemann-Stieltjes Integral
2.3.3 The Mean Square Ito Integral
2.4 The Ito Calculus
2.5 Weak Convergence of Stochastic Processes
2.6 The Functional Central Limit Theorem
2.7 FCLT for Linear Processes
2.8 FCLT for Martingale Differences
2.9 Weak Convergence to the Integrated Brownian Motion. 2.10 Weak Convergence to the Ornstein-Uhlenbeck Process2.11 Weak Convergence of Vector-Valued Stochastic Processes
2.11.1 Space Cq
2.11.2 Basic FCLT for Vector Processes
2.11.3 FCLT for Martingale Differences
2.11.4 FCLT for the Vector-Valued Integrated Brownian Motion
2.12 Weak Convergence to the Ito Integral
Chapter 3 The Stochastic Process Approach
3.1 Girsanov's Theorem: O-U Processes
3.2 Girsanov's Theorem: Integrated Brownian Motion
3.3 Girsanov's Theorem: Vector-Valued Brownian Motion
3.4 The Cameron-Martin Formula
3.5 Advantages and Disadvantages of the Present Approach. Chapter 4 The Fredholm Approach4.1 Motivating Examples
4.2 The Fredholm Theory: The Homogeneous Case
4.3 The c.f. of the Quadratic Brownian Functional
4.4 Various Fredholm Determinants
4.5 The Fredholm Theory: The Nonhomogeneous Case
4.5.1 Computation of the Resolvent-Case 1
4.5.2 Computation of the Resolvent-Case 2
4.6 Weak Convergence of Quadratic Forms
Chapter 5 Numerical Integration
5.1 Introduction
5.2 Numerical Integration: The Nonnegative Case
5.3 Numerical Integration: The Oscillating Case
5.4 Numerical Integration: The General Case
5.5 Computation of Percent Points. 5.6 The Saddlepoint ApproximationChapter 6 Estimation Problems in Nonstationary Autoregressive Models
6.1 Nonstationary Autoregressive Models
6.2 Convergence in Distribution of LSEs
6.2.1 Model A
6.2.2 Model B
6.2.3 Model C
6.2.4 Model D
6.3 The c.f.s for the Limiting Distributions of LSEs
6.3.1 The Fixed Initial Value Case
6.3.2 The Stationary Case
6.4 Tables and Figures of Limiting Distributions
6.5 Approximations to the Distributions of the LSEs
6.6 Nearly Nonstationary Seasonal AR Models
6.7 Continuous Record Asymptotics
6.8 Complex Roots on the Unit Circle.
