آموزش تحلیل و پیش بینی سری های زمانی
تکنیک های سری زمانی ابزاری است مناسب که با استفاده از آن می توان مشکل فوق را حل نمود. بررسی گذشته دادها به منظور شناسایی و تعیین ماهیت یک پدیده قدم اول در یک مدلسازی اصولی است که با استفاده از آن می توان در گام بعدی به یک پیش بینی صحیح و قابل اتکا دست یافت. لذا آگاهی مناسب و عمیق از این دانش بازخورد مطلوب تصمیمات فرد را در آینده را تضمین می کند. از طرفی دیگر با توجه به رشد خیره کننده تکنیک های سری زمانی به همراه پیچیدگی های نظری آن باعث شده است که دانشجویان و حتی افراد حرفه ای ارتباط مناسبی را با آن نتوانند بر قرار کنند لذا در این مجموعه آسان سازی و بهینه سازی یادگیری از لحاظ تئوری از یک طرف و پیاده سازی مبانی در فرم کاربردی با استفاده از بسته های نرم افزاری موجود (Stata, Eviews) هدف گذاری شده است تا بتوان با استفاده از آن به نحوه اثر بخش از تحلیل های سری زمانی به هر منظوری استفاده نمود.
دانستن اینکه فردا نرخ ارز در بازار تهران چقدر است؟ ِ یا شاخص سهام شرکت الف در ماه بعد به چه میزان است؟ یا اینکه دمای هوای کشور یا شهر مقصد در هفته آینده به چه اندازه است؟ خواسته ای است که بشر آگاهی از آن را بر نا آگاهی ترجیح می دهد. درست است که می توان بر اساس تجربه رویدادهای آینده را حدس زد اما این حدس فقط یک احساس است و برگردان احساس در یک قالب مشخص و قابل درک مشکل به نظر می رسد.
تکنیک های سری زمانی ابزاری است مناسب که با استفاده از آن می توان مشکل فوق را حل نمود. بررسی گذشته دادها به منظور شناسایی و تعیین ماهیت یک پدیده قدم اول در یک مدلسازی اصولی است که با استفاده از آن می توان در گام بعدی به یک پیش بینی صحیح و قابل اتکا دست یافت. لذا آگاهی مناسب و عمیق از این دانش بازخورد مطلوب تصمیمات فرد را در آینده را تضمین می کند. از طرفی دیگر با توجه به رشد خیره کننده تکنیک های سری زمانی به همراه پیچیدگی های نظری آن باعث شده است که دانشجویان و حتی افراد حرفه ای ارتباط مناسبی را با آن نتوانند بر قرار کنند لذا در این مجموعه آسان سازی و بهینه سازی یادگیری از لحاظ تئوری از یک طرف و پیاده سازی مبانی در فرم کاربردی با استفاده از بسته های نرم افزاری موجود (Stata, Eviews) هدف گذاری شده است تا بتوان با استفاده از آن به نحوه اثر بخش از تحلیل های سری زمانی به هر منظوری استفاده نمود.
مفید برای رشته های
اقتصادی و علوم مالی وعلوم رفتاری و علوم جغرافیایی و مهندسی
پیش نیازهای علمی
- ریاضیات مقدماتی
- آمار و احتمال و جبر ماتریسی
آموزش تحلیل و پیش بینی سری های زمانی (بخش اول) — کلیک کنید
فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
- فصل ۱: تحلیل و پیش بینی سری زمانی تک متغیره
- مقدمات تحلیل های سری زمانی
- فرایند میانگین متحرک Moving Average Process
- فرایند های خود رگرسیو Autoregressive Process
- مدلسازی ARMA -روش باکس جنکینز
- مدلسازی ARIMA
- هموار سازی نمایی
- پیش بینی سری های زمانی تک متغیره
- فصل ۲: مانایی -ریشه واحد -هم انباشتگی
- مبانی و مفاهیم
- بررسی روند در سری زمانی
- آزمون ریشه واحد
- آزمون ریشه واحد و شکست ساختاری
- هم انباشتگی
- آزمون های هم انباشتگی
- مدلهای تصحیح خطا ECM
- فصل ۳: سری های زمانی فصلی
- مبانی و مقدمات
- الگوی فصلی قطعی
- مدلهای ARIMA فصلی (SARIMA)
- آزمون ریشه واحد فصلی
- تعدیلات فصلی Seasonal Adjustment
مجموعه: سته بندی مستقل, علوم مالی و اقتصادی برچسب ها: Autoregressive Process, ECM, Eviews, Moving Average Process, SARIMA, Seasonal Adjustment, Stata, آزمون ریشه واحد, آزمون های هم انباشتگی, ابزاری, اقتصادی, الگوی فصلی قطعی, امار, بسته های نرم افزاری, بهینه سازی, پیاده سازی مبانی, تئوری, تعدیلات فصلی, تکنیک های سری زمانی, جبر ماتریسی, دمای هوا, روش باکس جنکینز, ریاضیات مقدماتی, ریشه واحد, ریشه واحد فصلی, سری زمانی, سری های زمانی فصلی, شاخص سهام, شرکت, شکست ساختاری, علوم جغرافیایی و مهندسی, علوم مالی وعلوم رفتاری, فرایند های خود رگرسیو, قالب, مانایی, مبانی و مقدمات, مدلسازی, مدلسازی ARIMA, مدلسازی ARMA, مدلهای تصحیح خطا, میانگین متحرک, هم انباشتگی, هموار سازی نمایی