Time Series (Chapman & Hall/CRC Texts in Statistical Science)

هدف این متن توسعه مهارت ها و درک غنا و تطبیق پذیری تحلیل سری های زمانی مدرن به عنوان ابزاری برای تجزیه و تحلیل داده های وابسته است. یکی از ویژگی‌های مفید ارائه، گنجاندن مجموعه‌های داده بی‌اهمیت است که غنای کاربردهای بالقوه را برای مشکلات در علوم زیستی، فیزیکی و اجتماعی و همچنین پزشکی نشان می‌دهد. این متن درمان متعادل و جامعی از هر دو روش حوزه زمان و فرکانس با تأکید بر تجزیه و تحلیل داده ها ارائه می دهد.

نمونه های متعدد با استفاده از داده ها راه حل هایی را برای مشکلاتی مانند کشف تغییرات طبیعی و انسانی، ارزیابی آزمایش های درک درد نشان می دهد. با استفاده از تصویربرداری رزونانس مغناطیسی عملکردی، و تجزیه و تحلیل مشکلات اقتصادی و مالی. این متن را می توان برای یک دوره مقدماتی یک ترم / سه ماهه سری زمانی استفاده کرد که پیش نیاز آن درک رگرسیون خطی، مهارت های احتمالی مبتنی بر حساب دیفرانسیل و انتگرال، و مهارت های ریاضی در سطح دبیرستان است. همه مثال‌های عددی از بسته آماری R استفاده می‌کنند بدون اینکه فرض کنیم خواننده قبلاً از نرم‌افزار استفاده کرده است. . او عضو انجمن آماری آمریکا است و جایزه انجمن آماری آمریکا را برای کاربردهای آماری برجسته برنده شده است. او نویسنده متون متعددی است و در هیئت های تحریریه مانند مجله پیش بینی و مجله انجمن آماری آمریکا خدمت کرده است.

دیوید اس استوفر، استاد آمار، دانشگاه پیتسبورگ است. او عضو انجمن آماری آمریکا است و جایزه انجمن آماری آمریکا را برای کاربردهای آماری برجسته برنده شده است. او در حال حاضر در هیئت تحریریه مجله پیش بینی، سالنامه ریاضیات آماری و ژورنال تحلیل سری های زمانی حضور دارد. او به عنوان مدیر برنامه در بخش علوم ریاضی در بنیاد ملی علوم و به عنوان دستیار سردبیر برای مجله انجمن آماری آمریکا و ژورنال تجارت خدمت کرد.

The goals of this text are to develop the skills and an appreciation for the richness and versatility of modern time series analysis as a tool for analyzing dependent data. A useful feature of the presentation is the inclusion of nontrivial data sets illustrating the richness of potential applications to problems in the biological, physical, and social sciences as well as medicine. The text presents a balanced and comprehensive treatment of both time and frequency domain methods with an emphasis on data analysis.

Numerous examples using data illustrate solutions to problems such as discovering natural and anthropogenic climate change, evaluating pain perception experiments using functional magnetic resonance imaging, and the analysis of economic and financial problems. The text can be used for a one semester/quarter introductory time series course where the prerequisites are an understanding of linear regression, basic calculus-based probability skills, and math skills at the high school level. All of the numerical examples use the R statistical package without assuming that the reader has previously used the software.

Robert H. Shumway is Professor Emeritus of Statistics, University of California, Davis. He is a Fellow of the American Statistical Association and has won the American Statistical Association Award for Outstanding Statistical Application. He is the author of numerous texts and served on editorial boards such as the Journal of Forecasting and the Journal of the American Statistical Association.

David S. Stoffer is Professor of Statistics, University of Pittsburgh. He is a Fellow of the American Statistical Association and has won the American Statistical Association Award for Outstanding Statistical Application. He is currently on the editorial boards of the Journal of Forecasting, the Annals of Statistical Mathematics, and the Journal of Time Series Analysis. He served as a Program Director in the Division of Mathematical Sciences at the National Science Foundation and as an Associate Editor for the Journal of the American Statistical Association and the Journal of Business & Economic Statistics.