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
ویرایش: Revised نویسندگان: George E. P. Box, Gwilym M. Jenkins سری: ISBN (شابک) : 0816211043, 9780816211043 ناشر: Holden-Day سال نشر: 1976 تعداد صفحات: 589 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Time Series Analysis: Forecasting and Control (Revised Edition) 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: پیش بینی و کنترل (نسخه اصلاح شده) 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.
این یک بازنگری کامل از یک کتاب کلاسیک، مهم و معتبر است که از سال 1970 الگوی اکثر کتابهایی است که در این زمینه نوشته شدهاند. این کتاب بر روی تکنیکهای عملی در کل تمرکز دارد، نه یک بررسی ریاضی دقیق موضوع. ساخت مدلهای تصادفی (آماری) برای سریهای زمانی و استفاده از آنها در حوزههای مهم کاربردی - پیشبینی، مشخصات مدل، برآورد و بررسی، مدلسازی تابع انتقال روابط پویا، مدلسازی اثرات رویدادهای مداخله، و کنترل فرآیند را بررسی میکند. ویژگیهای بخشها: روشهای اخیراً توسعهیافته برای مشخصات مدل، مانند تجزیه و تحلیل همبستگی متعارف و استفاده از معیارهای انتخاب مدل. نتایج مربوط به آزمایش عدم ایستایی ریشه واحد در فرآیندهای ARIMA. نمایش فضای حالت مدلهای ARMA و استفاده از آن برای تخمین و پیشبینی احتمال. آزمون نمره برای بررسی مدل. و مولفه های قطعی و مولفه های ساختاری در مدل های سری زمانی و برآورد آنها بر اساس روش های مدل رگرسیون سری زمانی.
This is a complete revision of a classic, seminal, and authoritative book that has been the model for most books on the topic written since 1970. It focuses on practical techniques throughout, rather than a rigorous mathematical treatment of the subject. It explores the building of stochastic (statistical) models for time series and their use in important areas of application —forecasting, model specification, estimation, and checking, transfer function modeling of dynamic relationships, modeling the effects of intervention events, and process control. Features sections on: recently developed methods for model specification, such as canonical correlation analysis and the use of model selection criteria; results on testing for unit root nonstationarity in ARIMA processes; the state space representation of ARMA models and its use for likelihood estimation and forecasting; score test for model checking; and deterministic components and structural components in time series models and their estimation based on regression-time series model methods.