فرادرس روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی
فیلم آموزشی روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی، که برای دانلود رایگان و توسط فرادرس منتشر شده است، بخشی از کارگاه تخصصی پیش بینی سری های زمانی و اقتصادسنجی در متلب است، که در آذر ماه ۱۳۹۳، با همکار پژوهشکده آمار و فرادرس برگزار شده است. مدرس این کارگاه آموزش، دکتر سیدمصطفی کلامی هریس، فارغ التحصیل دکترای مهندسی کنترل، از دانشگاه صنعتی خواجه نصیر است، که تا کنون تجربه برگزاری ده ها کارگاه آموزشی در کنفرانس ها، همایش های علمی و سازمان ها را داشته است، و بیش از ۳۰۰ ساعت برنامه آموزشی تخصصی را در فرادرس، توسط ایشان ارائه شده است.
در این فیلم آموزشی، در خصوص تجزیه یک سری زمانی به زیر مولفه های تشکیل دهنده آن، بحث شده است و با رویکردهای پارامتریک و غیر پارامتریک، سعی شده است که مولفه اصلی (گرایش یا Trend) موجود در اطلاعات سری زمانی، جدا سازی شود، تا تحلیل سری زمانی، راحت تر پیش برود. در مدل مورد استفاده، فرض شده است که هر سری زمانی را، بتوانیم به یک مولفه معین و غیر فصلی (گرایش)، مولفه معین و فصلی، و بخش نامعین و بی قاعده تجزیه کنیم. روش های پارامتریک (با رویکرد کمترین مربعات خطا یا Least Squares) و روش های غیر پارامتریک (با رویکرد فیلتر میانگین متحرک یا Moving Average)، در این فیلم آموزش معرفی، و سپس در محیط متلب، پیاده شده اند. برای کسب اطلاعات بیشتر، ادامه مطلب را ببینید.
فیلم آموزشی روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی، که برای دانلود رایگان و توسط فرادرس منتشر شده است، بخشی از کارگاه تخصصی پیش بینی سری های زمانی و اقتصادسنجی در متلب است، که در آذر ماه ۱۳۹۳، با همکار پژوهشکده آمار و فرادرس برگزار شده است. مدرس این کارگاه آموزش، دکتر سیدمصطفی کلامی هریس، فارغ التحصیل دکترای مهندسی کنترل، از دانشگاه صنعتی خواجه نصیر است، که تا کنون تجربه برگزاری ده ها کارگاه آموزشی در کنفرانس ها، همایش های علمی و سازمان ها را داشته است، و بیش از ۳۰۰ ساعت برنامه آموزشی تخصصی را در فرادرس، توسط ایشان ارائه شده است.
در این فیلم آموزشی، در خصوص تجزیه یک سری زمانی به زیر مولفه های تشکیل دهنده آن، بحث شده است و با رویکردهای پارامتریک و غیر پارامتریک، سعی شده است که مولفه اصلی (گرایش یا Trend) موجود در اطلاعات سری زمانی، جدا سازی شود، تا تحلیل سری زمانی، راحت تر پیش برود. در مدل مورد استفاده، فرض شده است که هر سری زمانی را، بتوانیم به یک مولفه معین و غیر فصلی (گرایش)، مولفه معین و فصلی، و بخش نامعین و بی قاعده تجزیه کنیم. روش های پارامتریک (با رویکرد کمترین مربعات خطا یا Least Squares) و روش های غیر پارامتریک (با رویکرد فیلتر میانگین متحرک یا Moving Average)، در این فیلم آموزش معرفی، و سپس در محیط متلب، پیاده شده اند.
برای مشاهده جزئیات و تهیه فرادرس روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی به این لینک (+) مراجعه نمایید.
سرفصل ها و عناوین مورد بحث در این آموزش:
- نحوه تجزیه اطلاعات یک سری زمانی به مولفه اصلی (Trend)، فصلی (Seasonal) و بی قاعده (Irregular)
- معرفی مدل های مختلف تجزیه شامل: جمع شونده، ضرب شونده، و جمع شونده لگاریتمی
- بررسی شیوه انجام تجزیه یک سری زمانی
- استفاده از روش های غیر پارامتریک برای تخمیت مولفه های یک سیگنال
- معرفی فیلتر میانگین متحرک یا Moving Average Filter به عنوان یک فیلتر پایین گذر
- نحوه پیاده سازی فیلتر میانگین متحرک یا MA در متلب
- تنظیمات مناسب برای حذف مولفه های گرایش فصلی (با دوره تناوب ماهانه یا فصلی)
- استفاده از تابع conv (کانولوشن) برای پیاده سازی فیلتر میانگین متحرک
- اعمال فیلتر میانگین متحرک بر روی داده های به دست آمده از آمار مسافران در یکی از خطوط هوایی
- بررسی تئوریک روش کمترین مربعات یا Least Squares برای مدل سازی
- تبدیل مسأله مدل سازی مولفه گرایش اصلی به یک مسأله مدل سازی کمترین مربعات
- مدل سازی گرایش اصلی آمار تصادفات جاده ای به صورت یک تابع درجه دو از زمان
- تعمیم روش کمترین مربعات به استفاده از رگرسورهای غیر خطی و عمومی
- پیاده سازی گام به گام همه الگوریتم های مطرح شده در محیط متلب
مطالب پیشنهادی
مجموعه: پردازش تصویر و سیگنال, فیلم های آموزشی, متلب سایت, محصولات آموزشی برچسب ها: Dtrending, Econometrics, Econometrics in MATLAB, Least Seuares, Moving Average, Time series analysis, time series prediction, آماده سازی سری زمانی, بررسی داده های تصادفات جاده ای, بررسی داده های مسافرین خطوط هوایی, پردازش سیگنال، پیش پردازش سری زمانی, تجزیه سری های زمانی, تحلیل سری زمانی, تخمین پارامتریک, تخمین غیر پارامتریک, حذف Trend, حذف گرایش, روش های پارامتریک حذف گرایش, روش های غیر پارامتریک حذف گرایش, فیلتر MA, فیلتر پایین گذر, فیلتر میانگین متحرک, کمترین مربعات, مدل سازی با کمترین مربعات خطا, مولفه بی قاعده, مولفه فصلی, مولفه گرایش, میانگین متحرک