از جمله نقاط دیگری که در این پایان نامه می توان به آن اشاره کرد نقاط دور است که ارتباط نزدیکی با نقطه پرت دارد. همچنین در این پایان نامه نقاط ضعیف و تک افتاده را مورد بررسی قرار می دهیم و کاربردهای آن را نشان می دهیم و به کمک این نقاط، ناهمگنی فضاهای تیخونف را اثبات می کنیم . همچنین شرایط وجود نقاط پرت در فضاهای تیخونف را بررسی کرده و ثابت می کنیم که اعداد حقیقی شامل نقاط پرت هستند.
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
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
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
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
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
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
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
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
هدف اصلی تحقیقات صورت گرفته در زمینه‌ی کنترل فرآیند آماری چند متغیره، درنظر گرفتن همبستگی بین چندین مشخصه کیفی برای یک مرحله از فرآیند است. در فاز دوم رویه کنترل فرآیند چندمتغیره با استفاده ازحدود کنترلی بدست آمده از فاز اول و مشاهدات آتی، تحت کنترل بودن ادامه فرآیند بررسی می‌شود
در تحلیل پوششی داده ها که از مقایسه ی عملکرد نسبی یک واحد در قیاس با مجموعه ی مرجع برای تشخیص ناکارایی نسبی و ارائه ی الگوی بهبود استفاده می شود، تشخیص درست واحدهای پرت برای دستیابی به نتایج دقیق بسیار مهم است. در این نوع مدل ها ی مرز قطعی، امروزه به کارگیری آزمون های آماری در تش
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
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 ...