Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές ΙΙ (εκδ. 1.2)
|
|
- Χλόη Μακρή
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές ΙΙ (εκδ. 1.2) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης
2 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
3 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
4 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομα Υποδείγματα(AR(p)) Αυτοπαλίνδρομα Υποδείγματα(AR(p)) Στη γενική του μορφή το Αυτοπαλίνδρομο Υποδείγμα AR(p), εκφράζεται ως: y t = α+β 1 y t 1 + +β py t p +ǫ t όπουοιπαράμετροι α,β 1,...,β pείναιπροςεκτίμηση,ενώ ǫ tεκφράζειτον διαταρακτικόόρο(ήσφάλμα),γιατοοποίουποθέτουμε E(ǫ t) = 0,και V(ǫ t) = σ 2 σταθερή.επίσης,υποθέτουμεμηδενικήαυτοσυσχέτισηστα σφάλματα: E(ǫ t,ǫ t k ) = 0για k t.
5 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομο Υπόδειγμα πρώτης τάξης(ar(1)) Για p = 1και α = 0,έχουμετοΑυτοπαλίνδρομοΥποδείγμαπρώτουβαθμού, έτσι ώστε: y t = βy t 1 +ǫ t γιατιςπαρατηρήσεις y 1,...,y n. Συνθήκες Στασιμότητας,(AR(1), α = 0) y t = β[βy t 2 +ǫ t 1 ]+ǫ t = β 2 y t 2 +βǫ t 1 +ǫ t = β 3 y t 3 +β 2 ǫ t 2 +βǫ t 1 +ǫ t = n 1 = β n y 0 +ǫ t +βǫ t 1 +β 2 ǫ t 2 + = β n y 0 + β k ǫ t k όπουισχύει E(y t) = β n y 0.Επομένωςγιαναέχουμεστασιμότηταστημέση τιμήθαπρέπειναισχύειότι β < 1. k=0
6 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομο Υπόδειγμα πρώτης τάξης(ar(1)) Συνθήκες Στασιμότητας,(AR(1), α = 0)(συνεχ.) V(y t) = E(y 2 t ) = E(ǫ t +βǫ t 1 +β 2 ǫ t 2 + ) 2 = E(ǫ t) 2 +β 2 E(ǫ 2 t 1)+β 4 E(ǫ t 2 ) 2 + = σ 2 (1+β 2 +β 4 + ) = σ2 1 β 2 = γ 0. δεδομένηςτης σ 2 σταθερήςγιανασυγκλίνειηδιακύμανσηπρέπει β < 1.
7 Αυτοπαλίνδρομα Υποδείγματα Συνθήκες Στασιμότητας,(AR(1), α = 0)(συνεχ.) Ας δούμε λεπτομερώς πως διαμορφώνονται οι αυτοσυνδιακυμάνση και η συνάρτηση αυτοσυσχέτισης. γ 1 = E(y t, y t 1 ) = E[y t 1 (βy t 1 +ǫ t)] = βe(y 2 t 1)+E(y 2 t 1ǫ t) = βγ = βγ 0 γ 2 = E(y t, y t 2 ) = E[y t 2 (βy t 1 +ǫ t)] = βe(y t 2 y t 1 )+0 = βγ 1 = β 2 γ 0 γ k = β k γ 0 Άρα ρ(k) = γ k γ 0 = β k.επομένωςγιαναέχουμεστασιμότηταστη διακύμανση-συδιακύμανση θα πρέπει να ισχύει ότι β < 1.
8 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομα Υποδείγματα δεύτερης τάξης(ar(2)) Για p = 2, έχουμε το Αυτοπαλίνδρομο Υποδείγμα δεύτερης τάξης, έτσι ώστε y t = α+β 1 y t 1 +β 2 y t 2 +ǫ t. Συνθήκες Στασιμότητας,(AR(2)) β 2 +β 1 < 1 β 2 β 1 < 1 β 2 < 1
9 Αυτοπαλίνδρομα Υποδείγματα Παράδειγμα ταυτοποίησης-υποδείγματα AR ar(1),phi=0,6 ar(1),phi=0,6 ACF Partial ACF Lag Lag ar(1),phi= 0,6 ar(1),phi= 0,6 ACF Partial ACF Lag Lag ar(2),phi1=0,6 theta2=0,2 ar(2),phi1=0,6 phi2=0,2 ACF Partial ACF Lag Lag ar(2),phi1= 0,6 theta2= 0,2 ar(2),phi1= 0,6 phi2= 0,2 ACF Partial ACF Lag Lag
10 Υποδείγματα Κινητών Μέσων Υποδείγματα Κινητών Μέσων(MA(q)) Υποδείγματα Κινητών Μέσων(MA(q)) Στη γενική του μορφή το υποδείγματα κινητών μέσων(ma(q)), εκφράζεται ως: y t = µ+ǫ t θ 1 ǫ t 1 θ qǫ t q όπουοιπαράμετροι µ,θ 1,...,θ qείναιπροςεκτίμηση,ενώ ǫ tεκφράζειτον διαταρακτικό όρο(ή σφάλμα) που είναι λευκός θόρυβος, δηλαδή ισχύει E(ǫ t) = 0, V(ǫ t) = σ 2 σταθερή,καιμηδενικήαυτοσυσχέτισημε E(ǫ t,ǫ t k ) = 0για k t.
11 Υποδείγματα Κινητών Μέσων Υποδείγμα Κινητών Μέσων πρώτης τάξης(ma(1)) Για q = 1,έχουμετουποδείγμακινητώνμέσωνπρώτηςτάξης,έτσιώστε y t = µ+ǫ t θ 1 ǫ t 1 Ιδιότητες και Συνθήκες Στασιμότητας,(MA(1), µ = 0) E(y t) = 0 V(y t) = V(µ+ǫ t θ 1 ǫ t 1 ) = σ 2 (1+θ 2 1) = γ 0 γ 1 = E(y t, y t 1 ) = E[(ǫ t θ 1 ǫ t 1 )(ǫ t 1 θ 1 ǫ t 2 )] = θe(ǫ 2 t 1) = θσ 2 γ k = E(y t, y t k ) = E[y t(ǫ t k θ 1 ǫ t k 1 ) = 0, k > 1 Άρα ρ(k) = γ k = θ για k = 1και 0για k > 1.Επομένωςγιατην γ 0 1+θ 2 MA(1), σε αντίθεση με ότι συμβαίνει με τα αυτοπαλίνδρομα υποδείγματα, έχει μνήμη μιάς μόνο περιόδου. βεαμερ-τυ-λογ
12 Υποδείγματα Κινητών Μέσων Υποδείγμα Κινητών Μέσων δεύτερης τάξης(ma(2)) Για q = 2,έχουμετουποδείγμακινητώνμέσωνδεύτερηςτάξης,έτσιώστε y t = µ+ǫ t θ 1 ǫ t 1 θ 2 ǫ t 2 Ιδιότητες και Συνθήκες Στασιμότητας,(MA(2), µ = 0) E(y t) = 0 V(y t) = σ 2 (1+θ1 2 +θ2) 2 = γ 0 γ 1 = E(y t, y t 1 ) = θ 1 (1 θ 2 )σ 2 γ 2 = θ 2 σ 2 γ k = 0, k > 2 Επομένως η MA(2) έχει μνήμη δύο περιόδων.
13 Υποδείγματα Κινητών Μέσων Υποδείγμα Κινητών Μέσων q τάξης(ma(q)) Αυτοσυσχέτιση στη(ma(q)) Η συνάρτηση αυτοσυσχέτισης για το υπόδειγμα MA(q) είναι ρ k = q k i=1 θ iθ i+k θ k 1+ q, k = 1, 2,...,q i=1 θ2 i και 0για k > q. Ετσισεμιαδιαδικασία MA(q)οιαυτοσυσχετίσεις ρ k μηδενίζονταιγια k > q.
14 Υποδείγματα Κινητών Μέσων Παράδειγμα ταυτοποίησης-υποδείγματα MA ma(1),theta=0,6 ma(1),theta=0,6 ACF Partial ACF Lag Lag ma(1),theta= 0,6 ma(1),theta= 0,6 ACF Partial ACF Lag Lag ma(2),theta1=0,6 theta2=0,2 ma(2),theta1=0,6 theta2=0,2 ACF Partial ACF Lag Lag ma(2),theta1= 0,6 theta2= 0,2 ma(2),theta1= 0,6 theta2= 0,2 ACF Partial ACF Lag Lag βεαμερ-τυ-λογ
15 Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Υποδείγμα Αυτοπαλίνδρομα Κινητών Μέσων(ARMA(p, q)) Στη γενική του μορφή το Αυτοπαλίνδρομο υποδείγμα κινητών μέσων (ARMA(p, q)), εκφράζεται ως: y t = α+β 1 y t 1 + +β py t p +ǫ t θ 1 ǫ t 1 θ qǫ t q όπουοιπαράμετροι α,β 1,...,β p,θ 1,...,θ qείναιπροςεκτίμηση,ενώ ǫ t εκφράζει τον διαταρακτικό όρο(ή σφάλμα) που είναι λευκός θόρυβος, δηλαδή ισχύει E(ǫ t) = 0, V(ǫ t) = σ 2 σταθερή,καιμηδενικήαυτοσυσχέτισημε E(ǫ t,ǫ t+k ) = 0για k t. Παρατήρηση Οταν τα δεδομένα μιας χρονολογικής σειράς έχουν συνάρτηση αυτοσυσχέτισης που δεν φαίνονται να μηδενίζονται μετά από κάποιο σημείο αλλάφθίνουνμεαργόρυθμό,τότεέχουμεστοιχείακαιαπόταδύομορφών AR, MA.
16 Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Υπόδειγμα Αυτοπαλίνδρομο Κινητών Μέσων(ARMA(1, 1)) Για p = q = 1,έχουμετουποδείγμακινητώνμέσωνπρώτηςτάξης,έτσιώστε y t = α+βy t 1 +ǫ t θǫ t 1 Ιδιότητες και Συνθήκες Στασιμότητας,(ARMA(1, 1)) E(y t) = µ = α 1 β, V(yt) = 1+θ2 2βθ 1 β 2 σ 2 = γ 0 γ 1 = βγ 0 θσ 2, γ k = βγ k 1, k > 1 Επομένως η συνάρτηση αυτοσυσχέτισης ισούται με ρ(1) = β θσ2 γ 0, ρ(k) = βρ(k 1), k > 1 γιαστάσιμη y tμε α < 1,και θ < 1,οιαυτοσυσχετίσειςφθίνουν γεωμετρικά μετά την πρώτη υστέρηση.
17 Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Παράδειγμα ταυτοποίησης-υποδείγματα ARMA arma(2,2),phi1=0,6 phi2= 0,1 theta1= 0,2 theta2=0,2 arma(2,2),phi1=0,6 phi2= 0,1 theta1= 0,2 theta2=0,2 ACF Partial ACF Lag Lag arma(2,2),phi1=0,6 phi2=0,1 theta1= 0,2 theta2=0,2 arma(2,2),phi1=0,6 phi2=0,1 theta1= 0,2 theta2=0,2 ACF Partial ACF Lag Lag arma(2,2),phi1= 0,6 phi2= 0,1 theta1= 0,2 theta2=0,2 arma(2,2),phi1= 0,6 phi2= 0,1 theta1= 0,2 theta2=0,2 ACF Partial ACF Lag Lag arma(2,2),phi1=0,6 phi2=0,1 theta1= 0,2 theta2= 0,2 arma(2,2),phi1=0,6 phi2=0,1 theta1= 0,2 theta2= 0,2 ACF Partial ACF Lag Lag βεαμερ-τυ-λογ
18 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
19 Υποδείγματα ARIMA Ολοκληρωμένο Υπόδειγμα ARMA(p, q) ή Υποδείγματα ARIMA(p, d, q)) Παρατήρηση Στηνπιοπάνωανάλυσηγιατα AR, MA, ARMAκαι SARMAυποδείγματα υποθέταμε ότι οι χρονολογικές σειρές ήταν στάσιμες. Πολλές όμως σειρές δεν είναι στάσιμες. Οταν μια σειρά παρουσιάζει μη-στασιμότητα υπό μορφήν τάσης,μπορούμεμέσωτηςπρώτηςδιαφορας, y t y t 1 νατη μετασχηματίσουμε σε στάσιμη. Ετσι, έχοντας την y t = y t y t 1 = (1 B)y t αυτή μπορεί να ονομαστεί ως ολοκληρωμένο υπόδειγμα πρώτης τάξης ARMA(p, q)ήαλλιώς ARIMA(p, 1, q).
20 Υποδείγματα ARIMA Υποδείγματα ARIMA(p, d, q) Ορισμός Στη γενική του μορφή όπου d y t = y t y t d = (1 B) d y t τότε η σειρά μπορεί να ακολουθεί ένα αυτοπαλίνδρομο ολοκληρωμένο υπόδειγμακινητώνμέσων ARIMA(p, d, q)ήένα SARIMA(p, d, q)(p, D, Q) s. Επίσης η d-ταξεως διαφορά μπορεί να εφαρμοστεί και στο εποχικό κομμάτι οπότεμιλάμεγιαυποδείγματα SARIMA(p, d, q)(p, D, Q) s. Παρατήρηση Οταν η χρονολογική σειρά δείχνει να έχει αυξημένη διακύμανση(μη-στάσιμη σειρά ως προς τη διακύμανση), τότε συνιστάται η χρήση του λογαριθμικού μετασχηματισμύ πριν από τις πρώτες διαφορές, έτσι log y t = log y t log y t 1 = (1 B) log y t.
21 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
22 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Σ τη συνέχεια γίνεταιηεξειδίκευσητων p, q,καιγιαεποχικά P,και Qανχρειάζεται (Βλέπε πίνακα με οδηγίες ταυτοποίησης για τα ARIMA υποδείγματα). 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α,β 1,...,β p,θ 1,...,θ qτουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τις ακριβείς τιμές των p, q, P,και Q).
23 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Σ τη συνέχεια γίνεταιηεξειδίκευσητων p, q,καιγιαεποχικά P,και Qανχρειάζεται (Βλέπε πίνακα με οδηγίες ταυτοποίησης για τα ARIMA υποδείγματα). 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α,β 1,...,β p,θ 1,...,θ qτουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τις ακριβείς τιμές των p, q, P,και Q).
24 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Σ τη συνέχεια γίνεταιηεξειδίκευσητων p, q,καιγιαεποχικά P,και Qανχρειάζεται (Βλέπε πίνακα με οδηγίες ταυτοποίησης για τα ARIMA υποδείγματα). 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α,β 1,...,β p,θ 1,...,θ qτουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τις ακριβείς τιμές των p, q, P,και Q).
25 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Σ τη συνέχεια γίνεταιηεξειδίκευσητων p, q,καιγιαεποχικά P,και Qανχρειάζεται (Βλέπε πίνακα με οδηγίες ταυτοποίησης για τα ARIMA υποδείγματα). 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α,β 1,...,β p,θ 1,...,θ qτουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τις ακριβείς τιμές των p, q, P,και Q).
26 Box-Jenkins Μεθοδολογία Box-Jenkins Πίνακας οδηγιών ταυτοποίησης μεθοδολογία Box-Jenkins AR(p) MA(q) ARMA(p, q) ACF Φθίνει Διακόπτεται Φθίνει μετά υστέρηση q PACF Διακόπτεται Φθίνει Φθίνει μετά υστέρηση p
27 Box-Jenkins Μεθοδολογία Box-Jenkins Ταυτοποίηση στην πράξη Αρχικά γίνεται έλεγχος στασιμότητας της σειράς. Εδώ ελέγχεται η αυτοσυσχέτιση της σειράς για τυχών ύπαρχη τάσης, εποχικότητας ή άλλων διακυμάνσεων. ΟτανηACFτείνειστομηδένμεπολύαργόρυθμότότε υπάρχει ένδειξη μη-στασιμότητας. Τότε με διαδοχικές τιμές για την d = 1, 2,,...ορίζουμετην dγιατηνοποίαεπιτυγχάνεταιπρώτηφορά στασιμότητα. Στη συνέχεια μέσω των οδηγιών ταυτοποίησης προσπαθούμε να προσδιορίσουμε τα p και q της χρονολογικής μας σειράς. Στην πράξη είναι δύσκολο να φτάσουμε σε ένα άριστο υποδειγμα με συγκρεκριμένα (p, d, q). Ετσι καταληγουμε σε δύο, τρία ή και περισσότερα υποδείγματα τα οποία ελέγχονται στο τρίτο στάδιο μέσω διαγνωσικού ελέγχου για την επιλογή του άριστου υποδείγματος.
28 Box-Jenkins Μεθοδολογία Box-Jenkins Εκτίμηση στην πράξη(παρ. AR(I)MA) Στην περίπτωση που έχουμε AR(p) υπόδειγμα, τότε η μέθοδος ελαχίστων τετραγώνων μπορεί να εφαρμοστεί. Σε αντίθεση όμων με τα AR υποδείγματα,τα MAκαι AR(I)MAδενμπορούναεκτιμηθουνμεαυτήτη μέθοδοδιότιεξαρτώνταιαπότασφάλματα ǫ t, ǫ t 1,...οιοποίεςείναι μη-παρατηρήσιμες μεταβλητές. Εναλλακτικά μπορούμε να χρησιμοποιήσουμε τη μέθοδο Yule-Walker η οποία βασίζεται στις συναρτήσεις αυτοσυσχέτισης ρ(k) ή και τη μέθοδο μεγίστης πιθανοφάνειας.
29 Box-Jenkins Μεθοδολογία Box-Jenkins Διαγνωσικός Ελεγχος στην πράξη(παρ. ARMA) Αναφορικά με τον τρόπο τελικής επιλογής του άριστου υποδείγματος μπορόύμε να χρησιμοποιήσουμε δύο διαφορετικά κριτήρια. Αυτά είναι, πρώτα το κριτήριο Akaike (AIC) και δεύτερο αυτό του Schwartz (BIC). Αυτά ορίζονται ως: AIC = log(ssr)+2k/n, BIC = log(ssr)+k log(n), όπου, SSR είναι η εκτίμηση της διακύμανσης των καταλοίπων, k = (p + q + 1)είναιοαριθμόςτωνπροςεκτίμησηπαραμέτρων,και nο αριθμός των παρατηρήσεων. Ηεπιλογήτου άριστου υποδείγματοςμέσωτων (p, d, q)γίνεταιμεβάση ποιός συνδιασμός ελαχιστοποιεί τα πιο πάνω κριτήρια.
30 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
31 Εποχικά Υπόδειγμα Αυτοπαλίνδρομο Κινητών Μέσων (SARMA(p, q)(p, Q) s ) Ορισμός Τα Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων, κοινώς SARMA(p, q)(p, Q) sεκφράζουντηδυνατότηταύπαρξηςφαινομένων αυτοσυσχέτισηςγιατις y tκαι ǫ tανά sχρονικάδιαστήματα.εμφανίζουνμε άλλα λόγια εποχική συμπεριφορά ανά s χρονικά διαστήματα. Στη γενικευμένη τουςμορφήσυμβολίζονταιμε SARMA(p, q)(p, Q) s.εδώτο sσυμβολίζειτην εποχική διάσταση(s = 12 για μηνιαίες παρατηρήσεις) p και q αναφέρονται στον μη-εποχικό βαθμό υστέρησης, ενώ τα P και Q στον αντίστοιχο εποχικό.
32 Πολλαπλασιαστικά SARMA(p, q) (P, Q) s Στη γενική τους μορφή όπου και Φ(B s )φ(b)y t = Θ(B s )θ(b) Φ(B s ) = 1 Φ 1 B s Φ 2 B 2s Φ Ps B Ps Θ(B s ) = 1 Θ 1 B s Θ 2 B 2s Θ Qs B Qs ταεποχικά,ενώ φ(b) = 1 φ 1 B φ 2 B 2 φ pb p και θ(b) = 1 θ 1 B θ 2 B 2 θ qb q ταμηεποχικά.
33 Παραδείγματαπολλαπλασιαστικού SARMA(0, 0) (2, 1) 12 SARMA(0, 0) (2, 1) 12 αλλιώς y t(1 Φ 1 B 12 Φ 2 B 24 ) = ǫ t(1 Θ 1 B 12 ) y t = Φ 1 y t 12 +Φ 2 y t 24 +ǫ t Θ 1 ǫ t 12 SARMA(1, 0) (2, 1) 12 αλλιώς y t(1 Φ 1 B 12 Φ 2 B 24 )(1 φ 1 B) = ǫ t(1 Θ 1 B 12 ) y t Φ 1 y t 12 Φ 2 y t 24 (φ 1 y t 1 φ 1 Φ 1 y t 13 +φ 1 Φ 2 y t 25 ) = ǫ t Θ 1 ǫ t 12 ή y t = φ 1 y t 1 +Φ 1 y t 12 φ 1 Φ 1 y t 13 +Φ 2 y t 24 +φ 1 Φ 2 y t 25 +ǫ t Θ 1 ǫ t 12
34 Αθροιστικά SARMA(p, q),(p, Q) s Στη γενική τους μορφή όπου και τα εποχικά. Φ(B s )y t = Θ(B s ) Φ(B s ) = 1 Φ 1 B s Φ 2 B s+1 Φ P B s+p Θ(B s ) = 1 Θ 1 B s Θ 2 B s+1 Θ Q B s+q
35 Παράδειγματα αθροιστικού SARMA(0, 0),(2, 1) 12 αλλιώς y t(1 Φ 1 B 12 Φ 2 B 13 ) = ǫ t(1 Θ 1 B 12 ) y t = Φ 1 y t 12 +Φ 2 y t 13 +ǫ t Θ 1 ǫ t 12 SARMA(1, 0),(2, 1) 12 αλλιώς y t(1 φ 1 B Φ 1 B 12 Φ 2 B 13 ) = ǫ t(1 Θ 1 B 12 ) y t = φ 1 y t 1 +Φ 1 y t 12 +Φ 2 y t 13 +ǫ t Θ 1 ǫ t 12
36 Παραδείγματααθροιστικώνυποδειγμάτων SARMA(p, q),(p, Q) s Παρ. Υποδείγματα Τουπόδειγμα SARMA(0, 0)(1, 0) 12 y t = α+β 1 y t 12 +ǫ t Τουπόδειγμα SARMA(1, 1)(1, 0) 12 y t = α+β 1 y t 1 +β 2 y t 12 +ǫ t θ 1 ǫ t 1 Τουπόδειγμα SARMA(1, 1)(2, 0) 12 y t = α+β 1 y t 1 +β 2 y t 12 +β 3 y t 13 +ǫ t θ 1 ǫ t 1
37 Παραδείγματααθροιστικώνυποδειγμάτων SARMA(p, q),(p, Q) s μέσω Eviews Παρ. Υποδείγματα μέσω Eviews: Quick/Estimate Equation... Τουπόδειγμα SARMA(0, 0)(1, 0) 12 εκτιμάταιως: series c sar(12) Τουπόδειγμα SARMA(1, 1)(1, 0) 12 εκτιμάταιως: series c ar(1) ma(1) sar(12) Τουπόδειγμα SARMA(1, 1)(2, 0) 12 εκτιμάταιως: series c ar(1) ma(1) sar(12) sar(13)
38 Μεθοδολογία Box-Jenkins-Για εποχικά(πολλαπλασιαστικά) Πίνακας οδηγιών ταυτοποίησης μεθοδολογία Box-Jenkins AR(P) s MA(Q) SARMA(P, Q) s ACF Φθίνει Διακόπτεται Φθίνει μετάτην ks(k = 1,...) μετάυστέρηση Qs μετάτην ks PACF Διακόπτεται Φθίνει Φθίνει μετά υστέρηση Ps μετά την ks μετά την ks
39 Υποδείγματα SARIMA Εποχικά Ολοκληρωμένα Υπόδειγματα Αυτοπαλίνδρομα Κινητών Μέσων (SARIMA(p, d, q) (P, D, Q) s ) Στη γενική τους μορφή Φ(B s )φ(b)(1 B) d (1 B s ) d y t = Θ(B s )θ(b) SARIMA(1, 1, 1) (1, 1, 1) 4 αλλιώς y t(1 Φ 1 B 4 )(1 φ 1 B)(1 B)(1 B 4 ) = ǫ t(1 θ 1 B)(1 Θ 1 B 4 ) y t = (1+φ 1 )y t 1 φ 2 y t 2 +(1+Φ 1 )y t 4 (1+φ 1 +Φ 1 +φ 1 Φ 1 )y t 5 +(φ 1 +φ 1 Φ 1 )y t 6 Φ 1 y t 8 +(Φ 1 +φ 1 Φ 1 )y t 9 φ 1 Φ 1 y t 10 + ǫ t θ 1 ǫ t 1 Θ 1 ǫ t 4 +θ 1 Θ 1 ǫ t 5 ηοποίααποτελείτηνπρόβλεψηενός SARIMA(1, 1, 1) (1, 1, 1) 4 υποδείγματος,αφούέχουνεκτιμηθείτα φ 1, Φ 1, θ 1 και Θ 1. βεαμερ-τυ-λογ
40 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
41 Προβλέψεις με ARMA/ARIMA υποδείγματα Προβλέψεις Πώς γίνονται οι προβλέψεις; Η πρόβλεψη των μελλοντικών τιμών μιας χρονολογικής σειράς βασίζεται στα αποτελέσματα του εκτιμόμενου υποδείγματος. Τα αποτελέσματα αυτά εχουν νακάνουνβασικάμετιςεκτιμήσειςγιατα α,β 1,...,β p,θ 1,...,θ q(παρ. AR(I)MA(p, q)). Ετσι,μιαπρόβλεψηπουκάνουμεγιατηνπερίοδο n+1, εκφράζεται ώς: ŷ n+1 = E(y n+1 y 1,...,y n) Επομένως, η αναμενόμενη τιμή την χρονολογικής μας σειράς για την περίοδο n+1στηρίζεταιστηνπληροφόρησημέχριτηνπερίοδο n.ηγενικευσητης γιατηνπερίοδο n+h,εκφράζεταιώς: ŷ n+h = E(y n+h y 1,...,y n).
42 Προβλέψεις με ARMA/ARIMA υποδείγματα Προβλέψεις σε στάσιμα υποδείγματα Προβλέψεις στο AR(1) Για p = 1, έχουμε το Αυτοπαλίνδρομο Υποδείγμα πρώτου βαθμού, έτσι ώστε y t = α+βy t 1 +ǫ t Μέσωτουδείγματος 1,...,nεκτιμούμετα α, β.ηπρόβλεψημαςσεπερίοδο n+1,ορίζεταιως: ενώ το σφάλμα πρόβλεψης ορίζεται ως ŷ n+1 = E(α+βy n +ǫ n+1 ) = α+βy n, ˆǫ n+1 = y n+1 ŷ n+1 = ǫ n+1, με διακύμανση V(ˆǫ n+1 ) = V(ǫ n+1 ) = σ 2 ǫ.
43 Προβλέψεις με ARMA/ARIMA υποδείγματα Προβλέψεις σε στάσιμα υποδείγματα Προβλέψεις στο AR(1)(συνεχ.) Ηπρόβλεψημαςσεπερίοδο n+2,ορίζεταιως: ŷ n+2 = E(α+βy n+1 +ǫ n+2 ) = α+βŷ n+1 = α+β(α+βy n) = α(1+β)+βy n, ενώ το σφάλμα πρόβλεψης ορίζεται ως: ˆǫ n+2 = y n+2 ŷ n+2 = α+βŷ n+1 +ǫ n+2 (α+βŷ n+1 ) = ǫ n+2 +β(y n+1 ŷ n+1 ) = ǫ n+2 +βǫ n+1, με διακύμανση V(ˆǫ n+2 ) = σ 2 ǫ(1+β 2 ).
44 Προβλέψεις με ARMA/ARIMA υποδείγματα Προβλέψεις σε στάσιμα υποδείγματα Προβλέψεις στο AR(1)(συνεχ.) Ηπρόβλεψημαςσεπερίοδο n+h,ορίζεταιως: ŷ n+h = α+βŷ n+h 1, = α(1+β +β β h 1 )+β h 1 y n α 1 β. ενώ η διακύμανση του σφάλματος πρόβλεψης ορίζεται ως V(ˆǫ n+h ) = σ 2 ǫ(1+β 2 +β 4 + +β 2(h 1) ) σ2 ǫ 1 β 2
45 Προβλέψεις με ARMA/ARIMA υποδείγματα Προβλέψεις σε στάσιμα υποδείγματα Προβλέψεις στο MA(1) Για q = 1,έχουμετοΥποδείγμαΚινητούΜέσουπρώτουβαθμού,έτσιώστε y t = µ+ǫ t θ 1 ǫ t 1 Μέσωτουδείγματος 1,...,nεκτιμούμετα µ, θ.ηπρόβλεψημαςσεπερίοδο n+1,ορίζεταιως: ŷ n+1 = µ θǫ n, με διακύμανση V(ŷ n+1 ) = V(ǫ n+1 ) = σ 2 ǫ. Ηπρόβλεψημαςσεπερίοδο n+2,ορίζεταιμεμέσοκαιδιακύμανση αντίστοιχα: ŷ n+1 = µ, V(ŷ n+2 ) = σ 2 ǫ(1+θ 2 ). Ηίδιαμέσητιμήκαιδιακύμανσηθαισχύεικαιγια h > 1.
46 Προβλέψεις με ARMA/ARIMA υποδείγματα Προβλέψεις μη-στάσιμα υποδείγματα Προβλέψεις στο ARIMA(1, 1, 1) Εστω,γιατουπόδειγμα ARIMA(1, 1, 1)ηπρόβλεψημαςσεπερίοδο n+1, ορίζεται ως: y n+1 = α+β y n +ǫ n+1 θ 1 ǫ n, τότεημέσηεκτίμηγιατονχρόνο n+ 1εκφράζεταιως: ŷ n+1 = y n +α+β y n. Ημέσηεκτίμηγιατονχρόνο n+ 2εκφράζεταιως: ŷ n+2 = ŷ n+1 y n+2 = (y n +α+β y n)+(α+β y n+1 ) = (y n + 2α+αβ)+(β +β 2 ) y n
47 Μέτρα Αξιολόγησης Προβλέψεων Προβλέψεις Εκτιμητές πρόβλεψης Μέσο Τετραγωνικό Σφάλμα(Mean Square Error) MSE = 1 n N ˆǫ 2 t t=n+1 Τετραγωνική ρίζα του Μέσο Τετραγωνικού Σφάλματος RMSE = 1 N ˆǫ 2 t n t=n+1 όπου N αναφέρεται στη τελική χρονική στιγμά πρόβλεψης.
48 Μέτρα Αξιολόγησης Προβλέψεων Προβλέψεις Εκτιμητές πρόβλεψης(συν.) Μέσο Απόλυτο Σφάλμα(Mean Absolute Error) MSE = 1 n N ˆǫ t t=n+1 Μέσο Απόλυτο Ποσοστιαίο Σφάλμα(Mean Absolute Percentage Error) MAPE = 1 n N t=n+1 ˆǫ t y t 100
49 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
50 Παράδειγμα Ι: Ανάλυση μηνιαίων χρονολογικών σειρών τιμών Ρωσικού φυσικού αερίου, δεδομένα: RusGas.XLS Βασικός στόχος της Ανάλυση Χρονολογικής Σειράς 1 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Στάδια επίτευξης στόχου: 1 Βήμα 1: Καθορισμός εκτός δείγματος περιόδου(στο Παράδειγμα Ι ορίζεται η περίοδος: 3/2015 2/2016). 2 Βήμα 2: Ταυτοποίηση μέσω του προσδιορισμού των συναρτήσεων αυτοσυσχέτισης και μερικής αυτοσυσχέτισης(στάδιο 1, μεθοδολογία Box-Jenkins). Ελεγχος στασιμότητας μέσω του(adf). 3 Βήμα 3: Εκτίμηση υποδείγματων AR(I)MA εντός δείγματος(στάδιο 2, μεθοδολογία Box-Jenkins) και πρόβλεψη για την εκτός δείγματος περίοδο. 4 Βήμα 4: Διαγνωστικός έλεγχος και συγκριση υποδειγμάτων ARIMA ως προς τα εντός και εκτός δείγματος μέτρα(σύγκριση προβλεπτική ικανότητα των υποδειγμάτων)(στάδιο 3, μεθοδολογία Box-Jenkins). βεαμερ-τυ-λογ
51 Παράδειγμα Ι(συν.) Στάδιο1:Διαχρονικόδιάγραμμαγιατησειρά y t
52 Παράδειγμα Ι(συν.) Στάδιο1:Προσδιορισμο ςτωνσυναρτήσεων ACFγιατησειρά y t
53 Παράδειγμα Ι(συν.) Στάδιο1:Προσδιορισμο ςτωνσυναρτήσεων ACFγιατησειρά y t
54 Παράδειγμα Ι(συν.) Στάδιο1:Προσδιορισμο ςτωνσυναρτήσεων PACFγιατησειρά y t
55 Παράδειγμα Ι(συν.) Σχόλιαστιςσυναρτήσειςαυτοσυσχέτισηςγια y t 1 Στόν Πίνακας 1 βλέπουμε υψηλά επίπεδα αυτοσυσχέτισης. Τα επίπεδα αυτοσυσχέτισης βαίνουν φθίνοντα με αργό ρυθμό το οποίο αποτελεί ένδειξει μη-στασιμότητας. Το μέτρο Box-Ljung δείχνει απόρριψη την μηδενικής υπόθεσης περι μηδενικής αυτοσχέτισης για όλες τις υστερήσεις(σημ.για χ 2 95%,1 3, 841, χ 2 95%,1 5, 991κ.ο.κ.). 2 Στήν Εικόνα ACF βλέπουμε ότι αρκετές τιμές αυτοσυσχέτισης βρίσκονται πιο πάνω από τη γραμμή στατιστικής σημαντικότητας (±1.96/ kμε kτοναριθμόυστερήσεων). Άρα,έχουμεαπόρριψητην μηδενικής υπόθεσης περι μηδενικής αυτοσχέτισης για όλες τις υστερήσεις. Επίσης, δεν φθίνουν άμεσα γεγονός ύπαρξης μη-στασιμότητας. 3 ΣτήνΕικόνα PACFβλέπουμεότιηπρώτη,ηδεύτερη,ητέταρτη υστέρηση της μερικής αυτοσυσχέτισης βρίσκονται πιο πάνω από τη γραμμή στατιστικής σημαντικότητας. Επίσης, η PACF βαίνει φθίνουσα άρα έχουμε ενδείξεις AR και MA στοιχείων. βεαμερ-τυ-λογ
56 Παράδειγμα Ι(συν.) Στάδιο1:Προσδιορισμο ςτωνσυναρτήσεων ACFγια y t
57 Παράδειγμα Ι(συν.) Στάδιο1:Προσδιορισμο ςτωνσυναρτήσεων PACFγια y t
58 Παράδειγμα Ι(συν.) Σχόλιαστιςσυναρτήσειςαυτοσυσχέτισηςγια y t 1 ΣτήνΕικόνα ACFκαι PACFβλέπουμεότιέωςκαιτηντρίτηυστέρηση έχουμε στατιστικής σημαντικότητας. 2 Επίσης,ηPACFβαίνειφθίνουσαάραέχουμεενδείξεις ARκαι MA στοιχείων. 3 Δοκιμάζουμετιςεξειδικεύσεις: p, q = 1, 2, 3.
59 Παράδειγμα Ι(συν.) Στάδιο2:(Πίνακας1) Ελεγχοςστασιμότητας-ADFγια y t(μέσω Eviews)
60 Παράδειγμα ΙΙ(συν.) Στάδιο2:(Πίνακας2) Ελεγχοςστασιμότητας-ADFγια y t(μέσω Eviews)
61 Παράδειγμα Ι(συν.) Σχόλια στον έλεγχο στασιμότητας ADF(10) 1 Στόν Πίνακα 1 πραγματοποιούμε τον ADF(10) έλεγχο στασιμότητας 10 υστερήσεων.διαπιστώνουμεαποδοχήτης H 0 υπόθεσηςπερί μη-στασιμηςσειράς(παρ. 2, 10 t H0 > t 5% 2, 882)γιαεπίπεδο σημαντικότητας(σφάλμα) 5%. 2 Στή συνέχεια παίρνοντας τη πρώτη διαφορά με στόχο τη δημιουργία στάσιμης σειράς. 3 Στόν Πίνακα 2 που ακολουθεί, πραγματοποιούμε τον ADF(10) έλεγχο στασιμότητας για την νέα σειρά της πρώτης διαφοράς. Διαπιστώνουμε απορριψητης H 0 υπόθεσηςπερίμη-στασιμηςσειράς(παρ. 3, 224 t H0 < t 5% 2, 882). Ετσι,επιτυγχάνουμεστασιμότητατης σειράς 4 Δοκιμάζουμετιςεξειδικεύσεις: d = 1 p, q = 1, 2, 3για ARIMA(p, 1, q).
62 Παράδειγμα Ι(συν.) Στάδιο1:Διαχρονικόδιάγραμμαγιατησειρά y t
63 Παράδειγμα Ι(συν.) Στάδιο 2: Εκτίμηση υποδείγματος ARIMA(2, 1, 3)-εκτίμηση
64 Παράδειγμα Ι(συν.) Στάδιο 2: Εκτίμηση υποδείγματος ARIMA(2, 1, 3)-αυτοσυσχέτιση καταλοίπων
65 Παράδειγμα Ι(συν.) Στάδιο 2: Εκτίμηση υποδείγματος Ι-αυτοσυσχέτιση καταλοίπων- ΕλεγχοςBox-Ljung
66 Παράδειγμα Ι(συν.) Στάδιο 3: Διαγνωστικός έλεγχος υποδείγματος ARIMA(2, 1, 3)
67 Παράδειγμα Ι(συν.) Στάδιο 3: Πίνακας 1, Συγκριση υποδειγμάτων εντος δείγματος βάσει των RMSE, MAPE, BICκριτηρίων Μέτρα ARIMA(0, 1, 3) ARIMA(2, 1, 1) ARIMA(2, 1, 3) RMSE 0,623 0,665 0,621 MAPE 3,367 3,763 3,652 BIC -0,904-0,643-0,693
68 Παράδειγμα Ι(συν.) Στάδιο 3: Πίνακας 2, Συγκριση προβλεπτικής ικανότητας υποδειγμάτων βάσει των MSE, MAE, MAPEκριτηρίων Μέτρα ARIMA(0, 1, 3) ARIMA(2, 1, 1) ARIMA(2, 1, 3) MAE 2,742 3,340 2,322 MSE 6,428 13,380 8,853 MAPE 48,087 56,343 39,158
69 Παράδειγμα Ι(συν.) Σχόλια στο Στάδιο 3 1 Στόν Πίνακα 1 συγκριση υποδειγμάτων εντος δείγματος. Το υποδείγμα ARIMA(2, 1, 3)είναιάριστοσύμφωναμετο RMSEκριτήριο,το υποδείγμα ARIMA(0, 1, 3)σύμφωναμετο MSEκριτήριοκαιτο υποδείγμα ARIMA(2, 1, 1) σύμφωνα με το BIC. 2 Στόν Πίνακα 2 συγκρισης υποδειγμάτων βάσει προβλεπτικής ικανότητας βλέπουμεότιτο ARIMA(2, 1, 3)έρχεταιπρώτοστα MAEκαι MAPE κριτήριαενώτο ARIMA(0, 1, 3)στό MSEκριτήριο.
70 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
71 Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αφίξεων Αεροπορικών Επιβατών, δεδομένα: AirPassengers.XLS Βασικός στόχος της Ανάλυση Χρονολογικής Σειράς 1 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Στάδια επίτευξης στόχου: 1 Βήμα 1: Καθορισμός εκτός δείγματος περιόδου(στο Παράδειγμα Ι ορίζεται η περίοδος: 1/ /1960). 2 Βήμα 2: Ταυτοποίηση μέσω του προσδιορισμού των συναρτήσεων αυτοσυσχέτισης και μερικής αυτοσυσχέτισης(στάδιο 1, μεθοδολογία Box-Jenkins). 3 Βήμα 3: Εκτίμηση υποδείγματων ARIMA και SARIMA εντός δείγματος (Στάδιο 2, μεθοδολογία Box-Jenkins) και πρόβλεψη για την εκτός δείγματος περίοδο. 4 Βήμα4:Συγκρισηυποδειγμάτων ARIMAκαι SARIMAωςπροςταεντός και εκτός δείγματος μέτρα(σύγκριση προβλεπτική ικανότητα των υποδειγμάτων)(στάδιο 3, μεθοδολογία Box-Jenkins). βεαμερ-τυ-λογ
72 Παράδειγμα ΙΙ(συν.) Στάδιο 1: Προσδιορισμο ς των συναρτήσεων ACF
73 Παράδειγμα ΙΙ(συν.) Στάδιο 1: Προσδιορισμός των συναρτήσεων ACF-πίνακας
74 Παράδειγμα ΙΙ(συν.) Στάδιο 1: Προσδιορισμός των συναρτήσεων PACF
75 Παράδειγμα ΙΙ(συν.) Πίνακας X 2 κατανομής
76 Παράδειγμα Ι(συν.) Σχόλιαστις ACFκαι PACF 1 Στο διάγραμμα της ACF και PACF αναφέρεται στη στάσιμη πρώτη διαφορά της σειράς. Η υψηλότερη τιμή των ACF και PACF εμφανίζεται στη δωδέκατη υστέρηση. Επίσης, εμφανίζει υψηλή στατιστική σημαντικότητα(acf και PACF σε υψηλότερα επίπεδα από τη γραμμή σημαντικότητας). 2 Ηπρώτηυστέρησηεμφανίσημικρότερη ACFκαι PACFαπότηδωδεκάτη υστέρηση πλήν όμως με στατιστική σημαντικότητα. 3 Για τη διαπίστωση ύπαρξης Στατιστικής σημαντικότητας των ACF συγκρίνουμε την τιμή Box-Ljung του ανωτέρου πίνακα με τις αντίστοιχες τιμέςγια 5%ποσοστόσφάλματος(χ 2 0,05). Ετσι,έχουμεστατιστικά σημαντικηυστέρησηπρώτουβαθμου 4, 754 > 3, 841 = χ 2 1,5%,δεύτερου βαθμού 6, 937 > 5, 991 = χ 2 2,5%,τρίτουβαθμου 10, 177 > 7, 815 = χ 2 3,5%,κ.ο.κ.
77 Παράδειγμα ΙΙ(συν.) Στάδιο2:Εκτίμησηυποδείγματος SARIMA(1, 1, 1)(0, 0, 0) 12 (Ι)-εκτίμηση
78 Παράδειγμα ΙΙ(συν.) Στάδιο 2: Εκτίμηση υποδείγματος Ι-αυτοσυσχέτιση καταλοίπων
79 Παράδειγμα ΙΙ(συν.) Στάδιο 2: Εκτίμηση υποδείγματος Ι-αυτοσυσχέτιση καταλοίπων-στατιστικά
80 Παράδειγμα ΙΙ(συν.) Στάδιο 3: Εκτίμηση υποδείγματος Ι-εκτίμηση
81 Παράδειγμα ΙΙ(συν.) Στάδιο 3: Εκτίμηση υποδείγματος Ι MSE, MAE, MAPE Πρόβλεψης
82 Παράδειγμα ΙΙ(συν.) Στάδιο2:Εκτίμησηυποδείγματος SARIMA(0, 1, 1)(0, 1, 1) 12 (ΙΙ)-εκτίμηση
83 Παράδειγμα ΙΙ(συν.) Στάδιο 2: Εκτίμηση υποδείγματος ΙΙ-αυτοσυσχέτιση καταλοίπων
84 Παράδειγμα ΙΙ(συν.) Στάδιο 2: Εκτίμηση υποδείγματος ΙΙ-αυτοσυσχέτιση καταλοίπων-στατιστικά
85 Παράδειγμα ΙΙ(συν.) Στάδιο 3: Εκτίμηση υποδείγματος ΙΙ-εκτίμηση
86 Παράδειγμα ΙΙ(συν.) Στάδιο 3: Εκτίμηση υποδείγματος ΙΙ MSE, MAE, MAPE Πρόβλεψης
87 Παράδειγμα ΙΙ(συν.) Στάδιο2:Εκτίμησηυποδείγματος SARIMA(1, 1, 1)(1, 1, 1) 12 (ΙΙΙ)-εκτίμηση
88 Παράδειγμα ΙΙ(συν.) Στάδιο 2: Εκτίμηση υποδείγματος ΙΙΙ-αυτοσυσχέτιση καταλοίπων
89 Παράδειγμα ΙΙ(συν.) Στάδιο 2: Εκτίμηση υποδείγματος ΙΙΙ-αυτοσυσχέτιση καταλοίπων-στατιστικά
90 Παράδειγμα Ι(συν.) Στάδιο 3: Εκτίμηση υποδείγματος ΙΙΙ-εκτίμηση
91 Παράδειγμα Ι(συν.) Στάδιο3:Εκτίμησηυποδείγματων SARIMA(1, 1, 1)(1, 1, 1) 12 MSE, MAE, MAPE Πρόβλεψης
92 Παράδειγμα Ι(συν.) Στάδιο 3: Πίνακας 1, Συγκριση υποδειγμάτων εντος δείγματος βάσει των RMSE, MAPE, BICκριτηρίων Μέτρα Υποδείγμα Ι Υποδείγμα ΙΙ Υποδείγμα ΙΙΙ RMSE 0,044 0,016 0,017 MAPE 1,594 0,535 0,535 BIC -6,117-8,155-7,992
93 Παράδειγμα Ι(συν.) Στάδιο 3: Πίνακας 2, Συγκριση προβλεπτικής ικανότητας υποδειγμάτων βάσει των MSE, MAE, MAPEκριτηρίων Μέτρα Υποδείγμα Ι Υποδείγμα ΙΙ Υποδείγμα ΙΙΙ MAE 0,0526 0,0123 0,0110 MSE 0,0047 0,0001 0,0002 MAPE 1,9404 0,4622 0,4122
94 Παράδειγμα Ι(συν.) Σχόλια στο Στάδιο 2 1 Στα διαγράμματα εκτίμησης-πρόβλεψης παρατηρούμε τα εξής: Το Υποδείγμα Ι αποτυγχάνει να ενσωματώσει την εποχικότητα των δεδομένων, υπο-εκτιμώντας τις μέγιστες και υπερ-εκτιμώντας τις ελάχιστες τιμές. Επίσης, τα διαστήματα εμπιστοσύνης των προβλέψεων αν και περιλαμβάνουν τις παρατηρήσεις, έχουν μεγάλη διακύμανση. Τα υποδείγματα ΙΙ και ΙΙΙ έχουν σχεδόν άριστη ενσωμάτωση-πρόβλεψη. 2 Στα κατάλοιπα των υποδειγμάτων παρατηρούμε τα εξής: Το Υποδείγμα Ι τα κατάλοιπα εμφανίζουν υψηλή αυτοσυσχέτιση από την τέταρτη υστέρηση. Αυτό φανερώνει και το μέτρο Box-Ljung Q 133, 4 > 26, 296 = χ 2 16,5%.Στοναντόποδαβρίσκονταιτα υποδείγματαιικαιιιιμε Q 10, 915και Q 10, 225 < 23, 685 = χ 2 14,5% αντίστοιχα.
95 Παράδειγμα Ι(συν.) Σχόλια στο Στάδιο 3 1 Στόν Πίνακα 1 συγκριση υποδειγμάτων εντος δείγματος, βλέπουμε το Υποδείγμα ΙΙ να επιτυγχάνει καλύτερη ενσωμάτωση εντός δείγματος βάσει των RMSE και MAPE κριτηρίων. Η επικράτηση του είναι πιο εμφανή βάσει του BIC κριτηρίου μιας και αυτό λαμβάνει υπ οψιν και τον αριθμό των προς εκτίμηση παραμέτρων. 2 Στόν Πίνακα 2 συγκρισης υποδειγμάτων βάσει προβλεπτικής ικανότητας βλέπουμεότιτουποδείγμαιιιέρχεταιπρώτοστα MAEκαι MAPE κριτήρια ενώ το Υποδείγμα ΙΙ στό MSE κριτήριο.
96 Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 2 Μη-Στάσιμα Υποδείγματα Χρονολογικές Σειρών Υποδείγματα ARIMA 3 Μεθοδολογία Box-Jenkins Box-Jenkins 4 Προβλέψεις με υποδείγματα χρονολογικώς σειρών Προβλέψεις με ARMA/ARIMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Εφαρμογές στις Χρονολογικές Σειρές-Μη εποχικά δεδομένα 6 Εφαρμογές στις Χρονολογικές Σειρές-Εποχικά δεδομένα 7 Βιβλιογραφία βεαμερ-τυ-λογ
97 Βιβλιογραφία Ε. Μπόρα και Ξ. Μωυσιάδη. Εφαρμοσμένη Στατιστική. Ζήτη, Θεσσαλονίκη Σ.Π. Δημέλη Σύγχρονες Μέθοδοι Ανάλυσης Χρονολογικών Σειρών. Μπένου, Αθήνα Makridakis, S., Wheelwright, S.C., Hyndman, R.D.. Forecasing: methods and applications. 3rd ed. Wiley: NY 1998.
98 Βιβλιογραφία Ε. Μπόρα και Ξ. Μωυσιάδη. Εφαρμοσμένη Στατιστική. Ζήτη, Θεσσαλονίκη Σ.Π. Δημέλη Σύγχρονες Μέθοδοι Ανάλυσης Χρονολογικών Σειρών. Μπένου, Αθήνα Makridakis, S., Wheelwright, S.C., Hyndman, R.D.. Forecasing: methods and applications. 3rd ed. Wiley: NY 1998.
99 Βιβλιογραφία Ε. Μπόρα και Ξ. Μωυσιάδη. Εφαρμοσμένη Στατιστική. Ζήτη, Θεσσαλονίκη Σ.Π. Δημέλη Σύγχρονες Μέθοδοι Ανάλυσης Χρονολογικών Σειρών. Μπένου, Αθήνα Makridakis, S., Wheelwright, S.C., Hyndman, R.D.. Forecasing: methods and applications. 3rd ed. Wiley: NY 1998.
Στατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Μέθοδοι Εξομάλυνσης ΙΙΙ-Εφαρμογές)
Στατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Μέθοδοι Εξομάλυνσης ΙΙΙ-Εφαρμογές) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική ΙΙΙ(ΣΤΑΟ 230) Περιγραφή
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΣΤΑΣΙΜΕΣ ΔΙΑΔΙΚΑΣΙΕΣ-ΥΠΟΔΕΙΓΜΑΤΑ SARIMA (sp,sd,qs) ARIMA (p,d,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΧρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ.
Διαβάστε περισσότεραΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ & ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΥΠΟΔΕΙΓΜΑΤΑ ΚΙΝΗΤΟΥ ΜΕΣΟΥ MA(q) ΚΑΙ ΜΙΚΤΑ ΥΠΟΔΕΙΓΜΑΤΑ ARMA (p,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής ΑΥΤΟΣΥΣΧΕΤΙΣΗ Στις βασικές υποθέσεις των γραμμικών υποδειγμάτων (απλών και πολλαπλών), υποθέτουμε ότι δεν υπάρχει αυτοσυσχέτιση (autocorrelation
Διαβάστε περισσότερα1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA);
Ερωτήσεις: 1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA); Στα αυτοπαλίνδρομα υποδείγματα η τρέχουσα τιμή της y είναι συνάρτηση p υστερήσεων της
Διαβάστε περισσότεραΤίτλος Εργασίας: Η χρήση της μεθοδολογίας Box Jenkins στην ανάλυση χρονοσειρών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Τίτλος Εργασίας: Η χρήση της μεθοδολογίας Box Jenkins στην ανάλυση χρονοσειρών Φοιτητής: Μαρκόπουλος
Διαβάστε περισσότεραΧρονικές σειρές 11 Ο μάθημα: Προβλέψεις
Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΧρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
Διαβάστε περισσότεραΣυνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος
ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 4: Ανάλυση Χρονολογικών Σειρών. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 4: Ανάλυση Χρονολογικών Σειρών. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΜΑΘΗΜΑ 3ο. Βασικές έννοιες
ΜΑΘΗΜΑ 3ο Βασικές έννοιες Εισαγωγή Βασικές έννοιες Ένας από τους βασικότερους σκοπούς της ανάλυσης των χρονικών σειρών είναι η διενέργεια των προβλέψεων. Στα υποδείγματα αυτά η τρέχουσα τιμή μιας οικονομικής
Διαβάστε περισσότεραΧρονολογικές Σειρές (Time Series) Lecture notes Φ.Κουντούρη 2008
Χρονολογικές Σειρές (Time Series) Lecture notes Φ.Κουντούρη 2008 1 Τύποι Οικονομικών Δεδομένων Τα οικονομικά δεδομένα που χρησιμοποιούνται για την εξέταση οικονομικών φαινομένων μπορεί να έχουν τις ακόλουθες
Διαβάστε περισσότεραΕιδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές
Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Ειδικά Θέματα Οικονομετρίας(ΕΘΟΟ 331) Περιγραφή 1 Εισαγωγή Χρονολογικές
Διαβάστε περισσότεραΕπαυξημένος έλεγχος Dickey - Fuller (ADF)
ΜΑΘΗΜΑ 5ο Επαυξημένος έλεγχος Dickey - Fuller (ADF) Στον έλεγχο των Dickey Fuller (DF) και στα τρία υποδείγματα που χρησιμοποιήσαμε προηγουμένως κάνουμε την υπόθεση ότι ο διαταρακτικός όρος e είναι μια
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 4ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 4ο Διαδικασία των συντελεστών αυτοσυσχέτισης Ονομάζουμε συνάρτηση αυτοσυσχέτισης (autocorrelation function) και συμβολίζεται με τα γράμματα
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΧρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA
Χρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΠρόλογος Μέρος Ι: Απλό και πολλαπλό υπόδειγμα παλινδρόμησης Αντικείμενο της οικονομετρίας... 21
Περιεχόμενα Πρόλογος... 15 Μέρος Ι: Απλό και πολλαπλό υπόδειγμα παλινδρόμησης... 19 1 Αντικείμενο της οικονομετρίας... 21 1.1 Τι είναι η οικονομετρία... 21 1.2 Σκοποί της οικονομετρίας... 24 1.3 Οικονομετρική
Διαβάστε περισσότεραΧρονικές σειρές 8 Ο μάθημα: Μοντέλα κινητού μέσου
Χρονικές σειρές 8 Ο μάθημα: Μοντέλα κινητού μέσου Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΧρονοσειρές, Μέρος Β 1 Πρόβλεψη Χρονικών Σειρών
Χρονοσειρές, Μέρος Β Πρόβλεψη Χρονικών Σειρών Ο βασικός σκοπός της μελέτης των μοντέλων για χρονικές σειρές (όπως AR, MA, ARMA, ARIMA, SARIMA) είναι η πρόβλεψη (predicio, forecasig) Η πρόβλεψη των μελλοντικών
Διαβάστε περισσότεραData Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή.
Data Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή. Τόγιας Παναγιώτης ΤΕΙ Δυτικής Ελλάδας ptogias@outlook.com Μαργαρίτης Σωτήρης ΤΕΙ
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 5 ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ, ΥΠΟΔΕΙΓΜΑΤΑ ARIMA ΚΑΙ SARIMA, ΜΕΘΟΔΟΛΟΓΙΑ BOX-JENKINS
ΚΕΦΑΛΑΙΟ 5 ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ, ΥΠΟΔΕΙΓΜΑΤΑ ARIMA ΚΑΙ SARIMA, ΜΕΘΟΔΟΛΟΓΙΑ BOX-JENKINS 5. Η γενική μορφή στάσιμης γραμμικής στοχαστικής διαδικασίας διακριτού χρόνου 5. Υποδείγματα ARIMA
Διαβάστε περισσότεραAnalyze/Forecasting/Create Models
(εκδ 11) (εκδ 11) Σχολή Κοινωνικών Επιστημών Τμήμα Οικονομικών Επιστημών 24 Οκτωβρίου 2014 1 / 12 Εισαγωγή (εκδ 11) 1 2 2 / 12 ΧΣ (εκδ 11) ΧΣ μέσω υποδειγμάτων ARIM A/SARIM A Αϕου δημιουργήσουμε τον χώρο
Διαβάστε περισσότεραΟικονομετρία Ι. Ενότητα 9: Αυτοσυσχέτιση. Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής
Οικονομετρία Ι Ενότητα 9: Αυτοσυσχέτιση Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7. ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13
ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7 ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13 1.1. Εισαγωγή 13 1.2. Μοντέλο ή Υπόδειγμα 13 1.3. Η Ανάλυση Παλινδρόμησης 16 1.4. Το γραμμικό μοντέλο Παλινδρόμησης 17 1.5. Πρακτική χρησιμότητα
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότερα2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ
1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑΤΑ: ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΜΑ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑΤΑ: ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΘΕΜΑ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 8ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 8ο Επιλογή του αριθμού των χρονικών υστερήσεων Στις περισσότερες οικονομικές χρονικές σειρές υπάρχει υψηλή συσχέτιση μεταξύ της τρέχουσας
Διαβάστε περισσότεραΧρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΣτασιμότητα χρονοσειρών Νόθα αποτελέσματα-spurious regression Ο έλεγχος στασιμότητας είναι απαραίτητος ώστε η στοχαστική ανάλυση να οδηγεί σε ασφαλή
Χρονικές σειρές 12 Ο μάθημα: Έλεγχοι στασιμότητας ΑΝΑΚΕΦΑΛΑΙΩΣΗ: Εκτίμηση παραμέτρων γραμμικών μοντέλων Συνάρτηση μερικής αυτοσυσχέτισης Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική
Διαβάστε περισσότεραΤΕΛΕΣΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΑ ΕΡΓΑΛΕΙΑ ΑΝΑΛΥΣΗΣ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 4ο ΧΡΟΝΙΚΟΙ ΤΕΛΕΣΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΑ ΕΡΓΑΛΕΙΑ ΑΝΑΛΥΣΗΣ ΧΡΟΝΟΣΕΙΡΩΝ 4.1 ΕΙΣΑΓΩΓΗ 4. ΔΙΑΔΙΚΑΣΙΕΣ ΛΕΥΚΟΥ ΘΟΡΥΒΟΥ 4.3 ΥΠΟΔΕΙΓΜΑΤΑ ΤΥΧΑΙΟΥ ΠΕΡΙΠΑΤΟΥ 4.4 Η ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ 4.5 ΜΕΡΙΚΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗ
Διαβάστε περισσότεραΕισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Διαβάστε περισσότεραΧρονοσειρές - Μάθημα 5
Χρονοσειρές - Μάθημα 5 Εκτίμηση μοντέλου MA(q) στοχαστική διαδικασία AR() X X X X Z Z ~ WN(, Z) στοχαστική διαδικασία MA(q) X Z Z Z Z q q στοχαστική διαδικασία ARMA(,q) X X X X Z Z Z Z q q Εκτίμηση διαδικασίας
Διαβάστε περισσότεραΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ
ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ Το ενδιαφέρον επικεντρώνεται πάντα στον πληθυσμό Το δείγμα χρησιμεύει για εξαγωγή συμπερασμάτων για τον πληθυσμό π.χ. το ετήσιο εισόδημα των κατοίκων μιας περιοχής Τα στατιστικά
Διαβάστε περισσότεραmin Προσαρμογή AR μοντέλου τάξη p, εκτίμηση παραμέτρων Προσδιορισμός τάξης AR μοντέλου συσχέτιση των χωρίς τη συσχέτιση με
= φ + φ + + φ + Προσδιορισμός τάξης AR μοντέλου Προσαρμογή AR μοντέλου - μερική αυτοσυσχέτιση για υστέρηση τ: = φ + w, = φ + φ + w,, = φ + φ + φ + w,3,3 3,3 3 ˆ φ, kk, τάξη, εκτίμηση παραμέτρων συσχέτιση
Διαβάστε περισσότεραΠαραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model)
ΜΑΘΗΜΑ 4 ο 1 Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model) Αυτοσυσχέτιση (Serial Correlation) Lagrange multiplier test of residual
Διαβάστε περισσότερα1.2 Απλός Κινητός Μέσος (Simple -equally-weighted- Moving Average)
Μέθοδοι Εξομάλυνσης Οι διαδικασίες της εξομάλυνσης (smoohig και της παρεμβολής (ierpolaio αποτελούν ένα περίπλοκο πεδίο έρευνας και γνώσης και έχουν άμεση πρακτική εφαρμογή στις οικονομικές επιστήμες..
Διαβάστε περισσότεραΣτατιστική ΙΙΙ(ΣΤΑΟ 230) Χρονολογικές Σειρες-Κινητοι Μέσοι, Αφελείς Μέθοδοι και Αποσύνθεση (εκδ. 2η)
Στατιστική ΙΙΙ-(ΣΤΑΟ 230) Χρονολογικές Σειρες-Κινητοι Μέσοι, Αφελείς Μέθοδοι και Αποσύνθεση (εκδ. 2η) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑΟΓΔΟΟ-ΥΠΟΔΕΙΓΜΑΤΑ ARIMA & ΜΗ ΣΤΑΣΙΜΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΤΥΧΑΙΑΔΙΑΔΡΟΜΗ (RANDOM WALK) Έστω η αυτοπαλίνδρομη
Διαβάστε περισσότεραΕιδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές Ι (εκδ. 1.1)
Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές Ι (εκδ. 1.1) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Περιγραφή 1 Εισαγωγή στις Χρονολογικές Σειρές Οι
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION)
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION) Μέθοδοςεκθετικήςεξομάλυνσης Μια άλλη τεχνική για δεδομένα με
Διαβάστε περισσότεραΧρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ ΑΥΤΟΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ AR(p) Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου ιαφάνεια
Διαβάστε περισσότεραΧρονοσειρές - Μάθημα 5
Χρονοσειρές - Μάθημα 5 Εκτίμηση μοντέλου MA(q) στοχαστική διαδικασία AR(p) p p ~ WN(, ) στοχαστική διαδικασία MA(q) q q στοχαστική διαδικασία ARMA(p,q) p p q q Εκτίμηση διαδικασίας (μοντέλο) AR, MA ή ARMA?
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 11: Αυτοσυσχέτιση Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Περιεχόμενο ενότητας
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΕΜΠΤΟ-ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p))
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΕΜΠΤΟ-ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p)) ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p)) O όρος αυτοπαλίνδρομο
Διαβάστε περισσότεραΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7ο μάθημα: Πολυμεταβλητή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΑν έχουμε δύο μεταβλητές Χ και Υ και σύμφωνα με την οικονομική θεωρία η μεταβλητή Χ προσδιορίζει τη συμπεριφορά της Υ το ερώτημα που τίθεται είναι αν
ΜΑΘΗΜΑ 12ο Αιτιότητα Ένα από τα βασικά προβλήματα που υπάρχουν στην εξειδίκευση ενός υποδείγματος είναι να προσδιοριστεί η κατεύθυνση που μία μεταβλητή προκαλεί μία άλλη σε μία εξίσωση παλινδρόμησης. Στην
Διαβάστε περισσότεραΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ
ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΟΔΙΚΑ ΑΤΥΧΗΜΑΤΑ ΣΤΗΝ ΕΛΛΑΔΑ ΚΑΙ ΑΝΘΡΩΠΙΝΕΣ ΑΠΩΛΕΙΕΣ: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ Νικόλαος Παναγιώτη Νόλης ΕΡΓΑΣΙΑ Που
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΥΜΠΛΗΡΩΜΑΤΙΚΗΣ ΕΙΔΙΚΕΥΣΗΣ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ ΘΕΜΑ: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ ΚΑΙ
Διαβάστε περισσότεραΟγενικός(πλήρης) έλεγχος των Dickey Fuller
ΜΑΘΗΜΑ 7ο Ογενικός(πλήρης) έλεγχος των Dickey Fuller Είδαμε προηγουμένως ότι οι τιμές της στατιστικής Τ 2δ0, Τ 3δ0 και Τ 3δ1 που χρησιμοποιήθηκαν στην παραπάνω παράγραφο εξαρτώνται από τη μορφή της εξίσωσης
Διαβάστε περισσότεραΣυνολοκλήρωση και VAR υποδείγματα
ΜΑΘΗΜΑ ο Συνολοκλήρωση και VAR υποδείγματα Ησχέσησ ένα στατικό υπόδειγμα συνολοκλήρωσης και σ ένα υπόδειγμα διόρθωσης λαθών μπορεί να μελετηθεί καλύτερα όταν χρησιμοποιούμε τις ιδιότητες των αυτοπαλίνδρομων
Διαβάστε περισσότεραΑυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχ. κ Μηx. Υπολογιστών Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων & Συστημάτων Αποφάσεων Μονάδα Προβλέψεων & Στρατηγικής Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΑντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 3ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 3ο Κίβδηλες παλινδρομήσεις Μια από τις υποθέσεις που χρησιμοποιούμε στην ανάλυση της παλινδρόμησης είναι ότι οι χρονικές σειρές που χρησιμοποιούμε
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ B Δημήτρης Κουγιουμτζής e-mal: dkugu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://uer.auth.gr/~dkugu/teach/cvltraport/dex.html Εφαρμοσμένη Στατιστική:
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 13: Επανάληψη Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Γιατί μελετούμε την Οικονομετρία;
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 5: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (1 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: ageliki.papaa@gmail.com, agpapaa@auth.gr Webpage: http://users.auth.gr/agpapaa
Διαβάστε περισσότεραΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ Ενότητα 3: Υδρολογική πρόγνωση 3.2. Μοντέλα Χρονοσειρών
Τμήμα Πολιτικών Μηχανικών Πανεπιστήμιο Θεσσαλίας ΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ Ενότητα 3: Υδρολογική πρόγνωση 3.2. Μοντέλα Χρονοσειρών Καθ. Αθανάσιος Λουκάς Εργαστήριο Υδρολογίας και Ανάλυσης Υδατικών
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
Διαβάστε περισσότεραΕΠΑΝΑΛΗΠΤΙΚΕΣ ΕΡΩΤΗΣΕΙΣ ΣΤΗΝ ΟΙΚΟΝΟΜΕΤΡΙΑ II ΗΜΗΤΡΙΟΣ ΘΩΜΑΚΟΣ
ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΕΡΩΤΗΣΕΙΣ ΣΤΗΝ ΟΙΚΟΝΟΜΕΤΡΙΑ II ΗΜΗΤΡΙΟΣ ΘΩΜΑΚΟΣ Ερώτηση : Εξηγείστε τη διαφορά µεταξύ του συντελεστή προσδιορισµού και του προσαρµοσµένου συντελεστή προσδιορισµού. Πώς µπορεί να χρησιµοποιηθεί
Διαβάστε περισσότεραΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7o Μάθημα: Απλή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΤεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης Kozani GR 50100
Ποσοτικές Μέθοδοι Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης 50100 Kozani GR 50100 Απλή Παλινδρόμηση Η διερεύνηση του τρόπου συμπεριφοράς
Διαβάστε περισσότεραΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 5.1 Αυτοσυσχέτιση: Εισαγωγή Συχνά, η υπόθεση της μη αυτοσυσχέτισης ή σειριακής συσχέτισης
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΕΤΑΙΡΕΙΑ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΕΠΙΣΤΗΜΗΣ ERSA
ΕΛΛΗΝΙΚΗ ΕΤΑΙΡΕΙΑ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΕΠΙΣΤΗΜΗΣ ERSA ΜΕΛΟΣ ΤΗΣ ΔΙΕΘΝΟΥΣ ΚΑΙ ΕΥΡΩΠΑΪΚΗΣ ΕΤΑΙΡΕΙΑΣ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΕΠΙΣΤΗΜΗΣ (RSAI, ERSA) Οικονομική Κρίση και Πολιτικές Ανάπτυξης και Συνοχής 10ο Τακτικό Επιστημονικό
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΟΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΟΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Τίτλος Εργασίας: Ανάλυση και εφαρμογές της μεθοδολογίας BOX JENKINS Πτυχιακή Εργασία των Φωστηρόπουλος
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΑνάλυση και Πρόβλεψη Χρονοσειρών
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΦΥΣΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΥΠΟΛΟΓΙΣΤΙΚΗ ΦΥΣΙΚΗ Ανάλυση και Πρόβλεψη Χρονοσειρών Διπλωματική εργασία της Γεωργίας Μαργιά
Διαβάστε περισσότεραΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ
ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ Συντελεστής συσχέτισης (εκτιμητής Person: r, Y ( ( Y Y xy ( ( Y Y x y, όπου r, Y (ισχυρή θετική γραμμική συσχέτιση όταν, ισχυρή αρνητική
Διαβάστε περισσότεραΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 6.1 Ετεροσκεδαστικότητα: Εισαγωγή Συχνά, η υπόθεση της σταθερής διακύμανσης των όρων σφάλματος,
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 12ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 12ο ΑΙΤΙΟΤΗΤΑ Ένα από τα βασικά προβλήματα που υπάρχουν στην εξειδίκευση ενός υποδείγματος είναι να προσδιοριστεί η κατεύθυνση που μία μεταβλητή
Διαβάστε περισσότεραΠολλαπλή παλινδρόμηση (Multivariate regression)
ΜΑΘΗΜΑ 3 ο 1 Πολλαπλή παλινδρόμηση (Multivariate regression) Η συμπεριφορά των περισσότερων οικονομικών μεταβλητών είναι συνάρτηση όχι μιας αλλά πολλών μεταβλητών Υ = f ( X 1, X 2,... X n ) δηλαδή η Υ
Διαβάστε περισσότεραΟικονομετρία. Σταματίου Παύλος Διδάκτωρ Οικονομετρικών Εφαρμογών & Μακροοικονομικών Πολιτικών
Οικονομετρία Σταματίου Παύλος Διδάκτωρ Οικονομετρικών Εφαρμογών & Μακροοικονομικών Πολιτικών E-mail: stamatiou@uom.edu.gr Info: https://sites.google.com/site/pavlossta2/home Αυτοσυσχέτιση (Durbin - Watson)
Διαβάστε περισσότεραΑνάλυση Χρονοσειρών. Κεφάλαιο Ανάλυση Χρονοσειρών
Κεφάλαιο 22 Ανάλυση Χρονοσειρών 22.1 Ανάλυση Χρονοσειρών Με τον όρο Χρονοσειρά εννοούµε µια σειρά από παρατηρήσεις που παίρνονται σε ορισµένες χρονικές στιγµές ή περιόδους που ισαπέχουν µεταξύ τους. Υπάρχουν
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 11ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 11ο Συνολοκλήρωσης και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΜΑΘΗΜΑΤΟΣ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ & ΕΛΕΓΧΟΥ ΘΕΩΡΙΑ & ΕΡΓΑΣΤΗΡΙΟ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΑΤΡΑΣ ΤΜΗΜΑ: ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ &ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ TECHNOLOGICAL EDUCATION INST ITUTE OF PATRAS DEPARTMENT: BUSINESS PLANNING & INFORMATION SYSTEMS ΣΗΜΕΙΩΣΕΙΣ
Διαβάστε περισσότεραΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ
ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ απόκλιση από την κανονικότητα µπορεί να σηµαίνει Ύπαρξη θετικής ή αρνητικής ασυµµετρίας Ύπαρξη λεπτοκύρτωσης, δηλαδή παρουσία ακραίων τιµών που δεν είναι συµβατές
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Η μέθοδος των βοηθητικών μεταβλητών. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 12: Σφάλματα μέτρησης στις μεταβλητές Η μέθοδος των βοηθητικών μεταβλητών Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage:
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. σε μη γραμμικές μορφές. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 7: Επεκτάσεις του γραμμικού υποδείγματος σε μη γραμμικές μορφές Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Β μέρος: Ετεροσκεδαστικότητα. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 10: Οικονομετρικά προβλήματα: Παραβίαση των υποθέσεων Β μέρος: Ετεροσκεδαστικότητα Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr
Διαβάστε περισσότεραΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 4.1 Πολλαπλό Γραμμικό Υπόδειγμα Παλινδρόμησης Γενικεύοντας τη διμεταβλητή (Y, X) συνάρτηση
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΜΠΣ Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΜΠΣ Τραπεζικής & Χρηματοοικονομικής Διαγνωστικοί Έλεγχοι Διαπίστωσης της Αυτοσυσχέτισης Οι περισσότεροι από τους διαγνωστικούς ελέγχους της αυτοσυσχέτισης αναφέρονται σε αυτοσυσχέτιση
Διαβάστε περισσότεραΧ. Εμμανουηλίδης, 1
Εφαρμοσμένη Στατιστική Έρευνα Απλό Γραμμικό Υπόδειγμα AΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Δρ. Χρήστος Εμμανουηλίδης Αν. Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εφαρμοσμένη Στατιστική, Τμήμα Ο.Ε. ΑΠΘ Χ. Εμμανουηλίδης,
Διαβάστε περισσότεραΠανεπιστήμιο Αιγαίου. Τμήμα Επιστημών της Θάλασσας. Ανάλυση χρονοσειρών και πρόβλεψη εκφορτώσεων μικρών πελαγικών ειδών στο Βόρειο Αιγαίο.
Πανεπιστήμιο Αιγαίου Τμήμα Επιστημών της Θάλασσας Ανάλυση χρονοσειρών και πρόβλεψη εκφορτώσεων μικρών πελαγικών ειδών στο Βόρειο Αιγαίο. Πτυχιακή Εργασία Υπεύθυνος Καθηγητής: Δρ Σ. Γεωργακαράκος Κοκκάλης
Διαβάστε περισσότεραΧρονοσειρές Μάθημα 3. Γραμμικές στάσιμες διαδικασίες. Γραμμική χρονοσειρά (στοχαστική διαδικασία) Z Z ~ WN(0, ) είναι στάσιμη. Θεωρούμε μ=0 E[ X ] 0
Γραμμικές στάσιμες διαδικασίες Γραμμική χρονοσειρά (στοχαστική διαδικασία) ~ WN(, ) i i i E[ ] είναι στάσιμη? i () Θεωρούμε μ= i i i Χρονοσειρές Μάθημα 3 i Θεωρώντας τον τελεστή υστέρησης: ( B) ( B) ib
Διαβάστε περισσότεραΔΙΕΘΝΕΙΣ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΕΣ ΑΓΟΡΕΣ
ΔΙΕΘΝΕΙΣ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΕΣ ΑΓΟΡΕΣ Ενότητα 18: ΠΡΟΥΠΟΛΟΓΙΣΜΟΙ ΚΑI ΑΡΙΘΜΟΔΕΙΚΤΕΣ ΚΥΡΙΑΖΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ Τμήμα ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΠροσδιοριστικοί όροι και μοναδιαία ρίζα (από κοινού υποθέσεις)
ΜΑΘΗΜΑ 6ο Προσδιοριστικοί όροι και μοναδιαία ρίζα (από κοινού υποθέσεις) Είδαμε στους παραπάνω ελέγχους (DF και ADF) που κάναμε προηγουμένως ότι εξετάζουμε στη μηδενικήυπόθεσημόνοτοσυντελεστήδ 2. Δεν αναφερόμαστε
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...
ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα
Διαβάστε περισσότεραΈλεγχος των Phillips Perron
ΜΑΘΗΜΑ 8ο Έλεγχος των Phillip Perron Είδαμε στον έλεγχο των Dickey Fuller ότι για το πρόβλημα της αυτοσυσχέτισης των καταλοίπων προτείνουν την επαύξηση της εξίσωσης με επιπλέον όρους τωνδιαφορώντηςεξαρτημένηςμεταβλητής.
Διαβάστε περισσότεραΕιδικά Θέματα Οικονομετρίας-Παλινδρόμηση (μέρος Α )
Ειδικά Θέματα Οικονομετρίας-Παλινδρόμηση (μέρος Α ) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Ειδικά Θέματα Οικονομετρίας(ΕΘΟΟ 331) Περιγραφή 1 Εισαγωγή
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Α μέρος: Πολυσυγγραμμικότητα. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 9: Οικονομετρικά προβλήματα: Παραβίαση των υποθέσεων Α μέρος: Πολυσυγγραμμικότητα Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 6: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage:
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών
ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Αυτοσυσχέτιση Αν τα σφάλµατα δεν συσχετίζονται µεταξύ τους, Corr(u t, u s ) = 0 για κάθε t s, t, s
Διαβάστε περισσότερα