پایان‌نامه

تشخیص نقاط پرت در مدل های arma

قاسم جهان بین

چکیده

مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آمدن مشاهداتی مصنوعی است که با بقیه ی مشاهدات در سر ی های زمانی، سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این پایان نامه ابتدا روش آزمون دنباله ای را برای پیدا کردن نقاط پرت جمع پذیر و نوساز در مدل های arma به کار می بریم. در ادامه به دلیل محاسبات نسبتأ طولانی این روش، روش آزمون دنباله ای اصلاح شده را که در واقع تصحیحی از آزمون دنباله ای می باشد، بیان می کنیم. و در نهایت با داده های شبیه سازی شده با استفاده از نرم افزار برنامه نویسی r، ضمن بررسی کارایی هر دو روش بیان شده، مقایسه عددی نیز بین این دو روش انجام خواهیم داد.

اساتید راهنما و مشاور

علیرضا نعمت الهی، محمود خراتی کوپایی، زهره شیشیه بر

پایان‌نامه‌های مشابه

  • تشخیص و بررسی نقاط پرت در مدل های رگرسیون فازی

    پایان‌نامه۲۰۱۱وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده ریاضیسمیرا صدیقین

    مدل های رگرسیونی برای برقراری ارتباط بین یک متغیر وابسته و تعدادی متغیر مستقل به کار می روند. برای ساختن این مدل ها نیاز به مشاهداتی از متغیرهای مورد مطالعه می باشد. در رگرسیون کلاسیک فرض می شود که این متغیرها و مشاهدات مربوط به آن ها دقیق هستند. ممکن است در یک بررسی مشاهدات مربو

  • آشکار سازی نقاط پرت به روش بیزی در مدل قیمت گذاری دارایی سرمایه ای

    پایان‌نامه۲۰۱۲وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده ریاضی و کامپیوترالهام رستمی

    سرمایه گذاران همواره به دنبال اندازه گیری و قیمت گذاری ریسک جهت اتخاذ تصمیمات سرمایه گذاری بهینه هستند. معروفترین رویکرد برای اندازه گیری ریسک، مدل قیمت گذاری دارایی سرمایه ای است که یک رابطه ساده خطی را بین ریسک و بازده مورد انتظار فرض می کند. این مدل، به صورت رگرسیون خطی ساده ن

  • برسی نقاط پرت در مدل های garch

    پایان‌نامه۲۰۱۰وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده علوم ریاضیهدی کامرانفر

    بسیاری از سری های زمانی در عمل تحت تاثیر رویدادهای خارجی نظیر:اعتصاب ها، ظهور جنگ، بحران های سیاسی و غیره قرار می گیرند. نتیجه ی این پیشامدهای بازدارنده که نقاط پرت نامیده می شوند، ظهور مشاهدات تصنعی است که با سایر مشاهدات سری زمانی سازگاری ندارد. در این رساله نقاط پرت نوساز، جمع

  • آشکارسازی نقاط پرت با استفاده از مدل انتقال واریانس در مدل‏های خطی با خطا در اندازه‏گیری

    پایان‌نامه۲۰۱۴وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده علوم ریاضی و مهندسی کامپیوتربابک بابادی

    در این رساله ابتدا به تعریف مدل‏های خطی با خطا در اندازه‏گیری پرداخته و برآورد پارامترهای مدل براساس روش امتیاز تصحیح شده ارائه می‏شود. سپس به معرفی مدل‏های حذف موردی و مدل‏های انتقال میانگین در این قبیل مدل‏ها پرداخته و برآورد پارامترهای مدل مورد اشاره قرار می‏گیرد. در ادامه یک

  • شناسایی نقاط پرت در ابعاد بزرگ

    پایان‌نامه۲۰۱۳وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده علوم ریاضیاصغر رحمانی

    شناسایی نقاط پرت به عنوان نقاط مورد علاقه در بسیاری از زمینه های تحقیقاتی و نقاط تأثیرگذار بر روش های کلاسیک آماری از اهمیت بالایی برخوردار است. به ویژه در ابعاد بزرگ که حضور این نقاط شانس بیشتری دارند و تشخیص آن ها به کمک معیارهای ساده آماری امکان پذیر نیست. استفاده از روش های ا

  • بررسی نقاط پرت در داده های سری زمانی چند متغیره

    پایان‌نامه۲۰۱۰وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهوازالهام مختاری

    مشاهدات سری های زمانی گاهی اوقات تحت تأثیر پیشامدهایی نظیر: اعتصا ب ها، ظهور جنگ ها، بحران های سیاسی و غیره قرار می گیرند. نتایج این پیشامدهای بازدارنده، به وجود آوردن مشاهدات مصنوعی است که با بقیه ی مشاهدات سری زمانی سازگاری ندارد. این قبیل مشاهدات را نقاط پرت می نامند. در این ر

اسناد مشابه

  • تشخیص نقاط پرت در مدل رگرسیونی لیو

    مقالهمجله علوم آماریفروغ حاجی باقری، forough hajibagheri department of statistics, shahid chamran university, ahvaz, iran.گروه آمار، دانشگاه شهید چمران اهواز عبدالرحمن راسخ، abdolrahman rasekh department of statistics, shahid chamran university, ahvaz, iran.گروه آمار، دانشگاه شهید چمران اهواز محمدرضا آخوند، mohammad reza akhoond department of statistics, shahid chamran university, ahvaz, iran.گروه آمار، دانشگاه شهید چمران اهواز

    در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط پرت هنگامی که از روش ه

  • تشخیص نقاط پرت در مدل رگرسیونی لیو

    مقاله۲۰۱۴مجله علوم آماریفروغ حاجی باقری، عبدالرحمن راسخ، محمدرضا آخوند

    در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط ...

  • تا ثیر انواع مختلف نقاط پرت بر مدل

    مقالهمجله علوم آماریرحیم چینی پرداز، rahim chinipardaz department of statistics, shahid chamran university, ahvaz, iranگروه امار، دانشگاه شهید چمران اهواز هدی کامرانفر، hoda kamranfar department of statistics, shahid chamran university, ahvaz, iranگروه امار، دانشگاه شهید چمران اهواز

    در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) garch را در نظر گرفته و آن را با هر یک از نقاط پرت در نقطه زمانی

  • تا ثیر انواع مختلف نقاط پرت بر مدل

    مقاله۲۰۰۹مجله علوم آماریرحیم چینی پرداز، هدی کامرانفر

    در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) GARCH را در نظر گرفته و آن را با هر یک از نقا

  • تشخیص داده‌های پَرت در داده‌های جریانی با استفاده از مدل مبتنی بر QLattice و یادگیری آنلاین

    مقاله۲۰۲۳پردازش علائم و داده هاسحر فردین، مهدی هاشم‌زاده

    تشخیص داده‌های پَرت در جریان داده (داده‌های جریانی)، که ویژگی‌های خاصی نظیر نامحدود بودن و گذرا بودن را دارند، چالش‌های زیادی دارد. برای این منظور، در این پژوهش، یک رویکرد مبتنی بر مدل طبقهبندی QLattice، که بر مبنای محاسبات کوانتوم کار میکند و در کاربرد مورد هدف عملکرد بهتری نسبت

  • تشخیص داده پرت در دادگان با ابعاد بالا با استفاده از انتخاب زیرفضای مرتبط محلی مبتنی بر آنتروپی

    مقاله۲۰۲۲مهندسی برق و مهندسی کامپیوتر ایرانمحبوبه ریاحی مدوار، احمد اکبری، بابک ناصرشریف

    یکی از چالشهای مسئله تشخیص داده پرت با ابعاد بالا، طلسم بعد است که در آن برخی ابعاد (ویژگیها) منجر به پنهانشدن دادههای پرت میگردند. برای حل این مسئله، ابعادی که حاوی اطلاعات ارزشمندی در دادگان با ابعاد بالا جهت تشخیص داده پرت هستند، جستجو میشوند تا با نگاشت دادگان به زیرفضای متشک