Χρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
|
|
- Κύμα Ηλιόπουλος
- 4 χρόνια πριν
- Προβολές:
Transcript
1 Χρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο Μακεδονίας 1
2 Εισαγωγή Τα γραμμικά στοχαστικά μοντέλα που είδαμε μέχρι τώρα αναφέρονται σε στάσιμες στοχαστικές διαδικασίες. Αυτό σημαίνει ότι ο μέσος, η διακύμανση και οι αυτοσυνδιακυμάνσεις δεν εξαρτώνται από τον χρόνο t. Δηλαδή ο μέσος και η διακύμανση δεν μεταβάλλονται (είναι σταθερά), ενώ οι αυτοσυνδιακυμάνσεις εξαρτώνται μόνο από την υστέρηση s. Θα εξετάσουμε τώρα διαδικασίες που δεν είναι στάσιμες. 2
3 Τυχαία διαδρομή Έστω η αυτοπαλίνδρομη διαδικασίας πρώτης τάξης: Υ t = α 1 Υ t 1 + ε t όπου ε t είναι λευκός θόρυβος, δηλαδή Ε ε t = 0, Var ε t = σ 2. Για α 1 = 1, το παραπάνω μοντέλο γίνεται: Υ t = Υ t 1 + ε t το οποίο είναι γνωστό ως τυχαία διαδρομή ή τυχαίος περίπατος. Αν υπάρχει σταθερός όρος, δηλαδή Υ t = α + Υ t 1 + ε t το μοντέλο είναι γνωστό ως τυχαία διαδρομή με περιπλάνηση. Μια στοχαστική διαδικασία που ακολουθεί την τυχαία διαδρομή δεν είναι στάσιμη. 3
4 Απόδειξη Στην σχέση Υ t = Υ t 1 + ε t κάνουμε διαδοχικές αντικαταστάσεις για t = 1,.., t : Υ 1 = Υ 0 + ε 1 Υ 2 = Υ 1 + ε 2 Υ 3 = Υ 2 + ε 3.. Υ t = Υ t 1 + ε t (+) Υ t = Υ 0 + ε 1 + ε ε t Οπότε και Ε Υ t = Υ 0 Var Υ t = tσ 2 4
5 Βλέπουμε ότι ο μέσος είναι σταθερός Ε Υ t = Υ 0 αλλά η διακύμανση εξαρτάται από τον χρόνο. Επομένως η σειρά είναι μη στάσιμη. Var Υ t = tσ 2 Επειδή η μη στασιμότητα οφείλεται στην διακύμανση, λέμε ότι η σειρά είναι μη στάσιμη ως προς την διακύμανση. Αν υποθέσουμε ότι ε t ~WΝ μ, σ 2, τότε και ο μέσος δεν είναι σταθερός, και η σειρά είναι μη στάσιμη και ως προς τον μέσο, αφού: Ε Υ t = Υ 0 + tμ 5
6 Πραγματοποιήσεις της διαδικασίας τυχαίου περιπάτου 6
7 Αν πάρουμε τις πρώτες διαφορές της διαδικασίας τυχαίου περιπάτου: ΔΥ t = Υ t Υ t 1 = ε t τότε η σειρά που προκύπτει είναι στάσιμη, εφόσον υποτίθεται ότι η ε t είναι στάσιμη. 7
8 Ολοκληρωμένες διαδικασίες Όταν μια σειρά μετατρέπεται σε στάσιμη παίρνοντας πρώτες διαφορές, λέμε ότι είναι ολοκληρωμένη πρώτης τάξεως (integrated first order) και συμβολίζεται ως Ι(1). Αν η σειρά μετατρέπεται σε στάσιμη παίρνοντας τις δεύτερες διαφορές, λέμε ότι είναι ολοκληρωμένη δεύτερης τάξεως (integrated second order) και συμβολίζεται ως Ι(2), κ.ο.κ. Γενικά αν d είναι ο αριθμός των διαφορών που μετατρέπει μια σειρά σε στάσιμη, η σειρά καλείται ολοκληρωμένη d τάξεως και συμβολίζεται ως Ι(d). 8
9 Χρησιμοποιώντας τον τελεστή υστερήσεως, οι πρώτες διαφορές ορίζονται ως Υ t Υ t 1 = 1 L Υ t = ΔΥ t To Δ = (1 L) είναι ο τελεστής πρώτων διαφορών. To Δ 2 = (1 L) 2 είναι ο τελεστής δεύτερων διαφορών, όπου Δ 2 Υ t = (1 L) 2 Υ t = 1 2L + L 2 Υ t = = Υ t 2LΥ t + L 2 Υ t ή Δ 2 Υ t = Δ ΔΥ t = Δ Υ t Υ t 1 = ΔΥ t ΔΥ t 1 = = Υ t Υ t 1 Υ t 1 Υ t 2 = = Υ t 2Υ t 1 + Υ t 2 Γενικά, τo Δ d = (1 L) d είναι ο τελεστής d διαφορών. 9
10 Παρατήρηση Η διαφορά ανάμεσα στην Υ t και στην Υ t d μπορεί να παρασταθεί ως Δ d Υ t = Υ t Υ t d, αλλά δεν πρέπει να συγχέεται με τον τελεστή διαφορών Δ d Υ t. Το μοντέλο τυχαίας διαδρομής είναι ολοκληρωμένο πρώτης τάξεως, αφού όπως είδαμε μετατρέπεται σε στάσιμο με τις πρώτες διαφορές. Μια στάσιμη σειρά, όπως ο λευκός θόρυβος, θεωρείται ολοκληρωμένη μηδενικής τάξεως, δηλαδή Ι(0). Ο όρος ολοκληρωμένη προέρχεται από τον τρόπο με τον οποίο μια μη στάσιμη διαδικασία προκύπτει από μια στάσιμη. Δηλαδή αθροίζοντας ή ολοκληρώνοντας d φορές. 10
11 Παράδειγμα Έστω η σειρά {Υ t } και οι πρώτες διαφορές: z t = Υ t Υ t 1. Είναι: z t + z t 1 + z t 2 + = = Υ t Υ t 1 + Υ t 1 Υ t 2 + Υ t 2 Υ t 3 + = Υ t Δηλαδή το Υ t είναι το άθροισμα (ολοκλήρωμα) όλων των διαφορών. Παράδειγμα Έστω οι δεύτερες διαφορές: w t = z t z t 1 της σειράς {Υ t }. Είναι: w t + w t 1 + w t 2 + = z t z t 1 + z t 1 z t 2 + = z t Αθροίζουμε τώρα τα z t, οπότε: z t + z t 1 + z t 2 + = = Υ t Υ t 1 + Υ t 1 Υ t 2 + Υ t 2 Υ t 3 + = Υ t Δηλαδή για να βρούμε το Υ t αθροίζουμε δυο φορές. Γενικά, αθροίζουμε d φορές μια στάσιμη σειρά για να προκύψει η αρχική μη στάσιμη σειρά. 11
12 Μη στάσιμα μοντέλα ARIMA Ένα μοντέλο ARMA(p, q) που εφαρμόζεται σε μια ολοκληρωμένη σειρά d τάξεως, ονομάζεται αυτοπαλίνδρομο κινητού μέσου ολοκληρωμένο μοντέλο τάξεως (p, d, q) (Autoregressive Integrated Moving average) και συμβολίζεται ARΙMA (p, d, q). Π.χ. ARΙMA (2,1,2) σημαίνει ότι η σειρά καθίσταται στάσιμη με τις πρώτες διαφορές και στην προκύπτουσα σειρά των πρώτων διαφορών εφαρμόζεται το ARMA(2,2). Στην γενική της μορφή μια διαδικασία ARMA(p, q) γράφεται ως z t = α 1 z t α p z t p + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q 12
13 Μια διαδικασία ARIMA(p, d, q) μπορεί να διατυπωθεί με τρεις διαφορετικές μορφές, δηλ. η μη στάσιμη αρχική χρονοσειρά Υ t γράφεται: 1. Ως συνάρτηση των παρελθουσών τιμών της και των τιμών του διαταρακτικού όρου, τρέχουσας και παρελθουσών. Η μορφή αυτή είναι γνωστή ως εξίσωση διαφοράς. π.χ. αν z t = Υ t Υ t 1, η εξίσωση διαφοράς για την ARIMA(p, 1, q), τότε η εξίσωση διαφοράς της διαδικασίας Υ t είναι η ακόλουθη: Υ t = 1 + α 1 Υ t 1 + α 2 α 1 Υ t α p α p 1 Υ t p α p Υ t p 1 + ε t + θ 1 ε t θ q ε t q Η σχέση αυτή προκύπτει από την ΑRMA(p, q) μορφή της z t (στάσιμη) z t = α 1 z t α p z t p + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q αντικαθιστώντας το z t με το ίσο του, δηλ. z t = Υ t Υ t 1. 13
14 Απόδειξη Από τις σχέσεις z t = Υ t Υ t 1 και z t = α 1 z t α p z t p + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q προκύπτει: Υ t Υ t 1 = α 1 Υ t 1 Υ t 2 + α 2 Υ t 2 Υ t 3 A + + α p Υ t p Υ t p 1 + A Υ t = Υ t 1 + α 1 Υ t 1 α 1 Υ t 2 + α 2 Υ t 2 α 2 Υ t α p Υ t p α p Υ t p 1 + A Υ t = 1 + α 1 Υ t 1 + (α 2 α 1 )Υ t (α p α p 1 )Υ t p α p Υ t p 1 + A 14
15 2. Ως συνάρτηση των παρελθουσών τιμών της και της τρέχουσας τιμής του διαταρακτικού όρου. Η μορφή αυτή της Υ t είναι γνωστή ως αντίστροφη μορφή. π.χ. η αντίστροφη μορφή μιας ARIMA(0, 1, 1) διαδικασίας είναι: Η σχέση αυυ t = 1 + θ 1 Υ t 1 θ θ 1 Υ t 2 + θ θ 1 Υ t 3 θ θ 1 Υ t ε t τή προκύπτει από την εξίσωση διαφοράς με διαδοχικές αντικαταστάσεις για ε t 1, ε t 2, ε t 3, 15
16 Απόδειξη Για μια ARIMA(0, 1, 1) διαδικασία η εξίσωση διαφοράς είναι: Υ t = Υ t 1 + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q 1 ε t = Υ t Υ t 1 θ 1 ε t 1 θ 2 ε t 2 θ q ε t q Οπότε ε t 1 = Υ t 1 Υ t 2 θ 1 ε t 2 θ 2 ε t 3 θ q ε t q 1 (2) ε t 2 = Υ t 2 Υ t 3 θ 1 ε t 3 θ 2 ε t 4 θ q ε t q 2 (3) Στην (1) αντικαθιστούμε διαδοχικά τα ε t 1, ε t 2, από τις (2), (3) κτλ κ.ο.κ Υ t = Υ t 1 + ε t + θ 1 Υ t 1 Υ t 2 θ 1 ε t 2 θ 2 ε t 3 θ q ε t q 1 + θ 2 Υ t 2 Υ t 3 θ 1 ε t 3 θ 2 ε t 4 θ q ε t q 2 + Συνεχίζοντας τις αντικαταστάσεις και τις πράξεις, προκύπτει η ζητούμενη σχέση. 16
17 3. Ως συνάρτηση μόνο των τιμών του διαταρακτικού όρου, τρέχουσας και παρελθουσών. Η μορφή αυτή της Υ t είναι γνωστή ως τυχαία διαταραχή. π.χ. η μορφή μιας ARIMA(0, 1, 1) διαδικασίας είναι: Υ t = ε t θ 1 ε t θ 1 ε t 2 + Η σχέση αυτή προκύπτει από την εξίσωση διαφοράς με διαδοχικές αντικαταστάσεις για Υ t 1, Υ t 2, Υ t 3, 17
18 Απόδειξη Από την εξίσωση διαφοράς έχουμε: Υ t = Υ t 1 + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q (1) Υ t 1 = Υ t 2 + ε t 1 + θ 1 ε t 2 + θ 2 ε t θ q ε t q 1 Υ t 2 = Υ t 3 + ε t 2 + θ 1 ε t 3 + θ 2 ε t θ q ε t q 2 κ.ο.κ. Αντικαθιστούμε στην (1) διαδοχικά τα Υ t 1, Υ t 2,, οπότε προκύπτει η ζητούμενη σχέση. 18
19 Μεθοδολογία Box-Jenkins Η προσέγγιση Box-Jenkins στην ανάλυση χρονολογικών σειρών είναι μια μέθοδος εύρεσης ενός στατιστικού μοντέλου (ARIMA) που να παριστάνει ικανοποιητικά τη στοχαστική διαδικασία που παρήγαγε τα δεδομένα (δείγμα). Η μέθοδος περιλαμβάνει τα εξής τρία στάδια: 1) Την ταυτοποίηση 2) Την εκτίμηση 3) Το διαγνωστικό έλεγχο α) Έλεγχος Καταλοίπων β) Έλεγχος Τάξεως Υποδείγματος γ) Κριτήρια Επιλογής Υποδείγματος 19
20 1) Ταυτοποίηση Το πρώτο στάδιο είναι η εξειδίκευση ενός ARIMA μοντέλου με βάση τις πληροφορίες του διαθέσιμου δείγματος. Αυτό σημαίνει καθορισμός των κατάλληλων τιμών d, p και q. Δηλαδή, καθορισμός του αριθμού (d) των διαφορών που απαιτούνται προκειμένου η σειρά να μετατραπεί σε στάσιμη, αν δεν είναι. Στη συνέχεια πρέπει να καθοριστεί η τάξη p της αυτοπαλίνδρομης διαδικασίας και η τάξη q της διαδικασίας κινητού μέσου. Άρα πρώτα πρέπει να διαπιστωθεί αν η σειρά είναι στάσιμη. Η διαπίστωση αυτή βασίζεται στη συμπεριφορά της δειγματικής συνάρτησης αυτοσυσχέτισης. Αν οι αυτοσυσχετίσεις συγκλίνουν ταχύτατα προς το μηδέν, αυτό είναι σοβαρή ένδειξη ότι η σειρά είναι στάσιμη. 20
21 Αντίθετα αν οι αυτοσυσχετίσεις φθίνουν με αργό ρυθμό, είναι ένδειξη ότι η σειρά είναι μη στάσιμη. Για τον έλεγχο στασιμότητας, χρησιμοποιούνται οι γνωστοί ως έλεγχοι μοναδιαίας ρίζας, τους οποίους θα δούμε στην επόμενη ενότητα. Αν η σειρά δεν είναι στάσιμη, μετατρέπεται σε στάσιμη παίρνοντας τις πρώτες διαφορές ή τις δεύτερες διαφορές κτλ. Με τα δεδομένα της στάσιμης χρονοσειράς, στη συνέχεια, προσδιορίζεται η τάξη του μοντέλου ARIMA. Δηλαδή προσδιορίζονται οι τιμές p και q. Ο προσδιορισμός βασίζεται στις δειγματικές, απλές και μερικές αυτοσυσχετίσεις, όπως είδαμε στην προηγούμενη ενότητα. 21
22 2) Εκτίμηση Μετά την εξειδίκευση του μοντέλου ακολουθεί η εκτίμηση των p παραμέτρων α 1, α 2,.., α p της AR διαδικασίας και των q παραμέτρων θ 1, θ 2,, θ q της ΜΑ διαδικασίας. Αν η σειρά είναι μόνο αυτοπαλίνδρομη (AR), οι παράμετροι α 1, α 2,.., α p μπορούν να εκτιμηθούν με την μέθοδο των ελαχίστων τετραγώνων ή με τις εξισώσεις Yule-Walker. Αν περιέχονται και όροι κινητού μέσου (ΜΑ) στο μοντέλο, τότε για την εκτίμηση των παραμέτρων συνήθως χρησιμοποιούνται μη γραμμικές μέθοδοι ή με τις εξισώσεις Yule-Walker. 22
23 3) Διαγνωστικός έλεγχος Στο στάδιο αυτό γίνεται έλεγχος καλής προσαρμογής του μοντέλου που εκτιμήθηκε. Δηλαδή ελέγχουμε πόσο καλά «ταιριάζει» το εκτιμώμενο μοντέλο με τα δεδομένα, αφού είναι πιθανό κάποιο άλλο μοντέλο ARIMA να προσαρμόζεται καλύτερα. Ο διαγνωστικός έλεγχος περιλαμβάνει στατιστικούς ελέγχους για τη συμπεριφορά των καταλοίπων, για την τάξη του υποδείγματος και την σημαντικότητα των συντελεστών του μοντέλου. 23
24 Έλεγχος καταλοίπων Αν το εκτιμώμενο ARIMA πράγματι εκφράζει ικανοποιητικά τη διαδικασία από την οποία προέρχονται τα δεδομένα, τότε τα κατάλοιπα πρέπει να συμπεριφέρονται ως μια διαδικασία λευκού θορύβου. Δηλαδή τα κατάλοιπα δεν πρέπει να αυτοσυσχετίζονται. Ο έλεγχος των καταλοίπων γίνεται με την στατιστική Q των Box-Pierce με το οποίο ελέγχεται η σημαντικότητα από κοινού ενός αριθμού συντελεστών αυτοσυσχετίσεως, έστω m. Δηλαδή ελέγχεται η μηδενική υπόθεση Η 0 : ρ 1 = ρ 2 = = ρ m = 0. Η στατιστική Q ορίζεται ως: Q = Τ m s=1 ρ s 2 όπου ρ s είναι οι δειγματικές αυτοσυσχετίσεις των καταλοίπων και Τ ο αριθμός των παρατηρήσεων (καταλοίπων). 24
25 Συνήθως, ο αριθμός των αυτοσυσχετίσεων των καταλοίπων που χρησιμοποιούνται για τον υπολογισμό της στατιστικής Q ισούται με την τετραγωνική ρίζα του αριθμού των παρατηρήσεων: m = T. Η στατιστική Q ακολουθεί προσεγγιστικά την κατανομή X 2 με m p q βαθμούς ελευθερίας. Για δεδομένο επίπεδο σημαντικότητας α, η μηδέν υπόθεση ότι όλοι οι συντελεστές αυτοσυσχέτισης είναι μηδέν απορρίπτεται αν η τιμή της Q υπερβαίνει την κρίσιμη τιμή της X 2, δηλαδή αν Q > X 2. Μια τροποποιημένη μορφή της παραπάνω στατιστικής για μικρά δείγματα είναι αυτή των Ljung και Box, η οποία ορίζεται ως Q = Τ(Τ + 2) m s=1 ρs 2 Τ s η οποία ακολουθεί πάλι προσεγγιστικά την κατανομή X 2 με m p q βαθμούς ελευθερίας. 25
26 Έλεγχος της τάξης του υποδείγματος Η καταλληλότητα του εκτιμώμενου μοντέλου ελέγχεται συγκρίνοντας το με ένα άλλο υπόδειγμα μεγαλύτερης τάξης. Δηλαδή το εκτιμώμενο μοντέλο ARMA(p, q) συγκρίνεται με τα υποδείγματα ARMA(p + 1, q) και ARMA(p, q + 1). Αν το υπόδειγμα που εκτιμήθηκε περιγράφει τη διαδικασία που παρήγαγε τα δεδομένα, οι επιπλέον συντελεστές στα μεγαλύτερα υποδείγματα δεν θα πρέπει να είναι στατιστικά διαφορετικοί από το μηδέν. Η παραπάνω διαδικασία ελέγχου ονομάζεται υπερπροσαρμογή (overfitting). 26
27 Κριτήριο επιλογής μοντέλου Είναι φανερό ότι αυξάνοντας την τάξη του εκτιμώμενου μοντέλου, δηλαδή προσθέτοντας υστερήσεις για το αυτοπαλίνδρομο τμήμα ή και για το τμήμα κινητού μέσου, θα μειώνεται το άθροισμα των τετραγώνων των καταλοίπων, αλλά θα μειώνονται και οι βαθμοί ελευθερίας, αφού εκτιμώνται περισσότεροι παράμετροι. Για την σύγκριση της ερμηνευτικής ικανότητας εναλλακτικών υποδειγμάτων, που διαφέρουν ως προς τον αριθμό των παραμέτρων ή και το μέγεθος του δείγματος, χρησιμοποιούνται συνηθέστερα τα παρακάτω κριτήρια (μέγιστης πιθανοφάνειας): 27
28 1. Κριτήριο πληροφοριών Akaike (AIC) AIC = ln ε2 T + 2K T 2. Μπαϊεσιανό κριτήριο Schwartz (SBC) όπου SBC = ln ε2 T + K T lnτ ε 2 : άθροισμα τετραγώνων καταλοίπων Κ: αριθμός παραμέτρων που εκτιμούνται (p + q + 1) T: αριθμός παρατηρήσεων Με βάση τα παραπάνω κριτήρια, επιλέγεται το μοντέλο με τη μικρότερη τιμή. Τα κριτήρια αυτά μπορούν να πάρουν και αρνητικές τιμές. 28
29 Άσκηση 1 Να δείξετε ότι αν Υ t είναι λευκός θόρυβος (Υ t ~WΝ(μ, σ 2 )), τότε οι πρώτες διαφορές ΔΥ t είναι Ι(0). Υπενθύμιση Λύση Είναι: ΔΥ t = Υ t Υ t 1 Ε ΔΥ t = Ε Υ t Υ t 1 = Ε Υ t ) Ε(Υ t 1 = 0 σταθερό Var ΔΥ t = Var Υ t Υ t 1 = Var Υ t ) + Var(Υ t 1 2Cov Υ t, Υ t 1 = σ 2 + σ 2 = 2σ 2 σταθερό Cov ΔΥ t, Var ΔΥ t s = Cov Υ t Υ t 1, Υ t s Υ t s 1 = Cov Χ, Υ + Ζ = Cov Χ, Ζ + Cov Υ, Ζ 29
30 = Cov Υ t, Υ t s ) Cov Υ t, Υ t s 1 Cov Υ t 1, Υ t s + Cov(Cov(Υ t 1, Υ t s 1 = 0 Άρα η σειρά πρώτων διαφορών είναι στάσιμη δηλαδή Ι(0) και μάλιστα είναι λευκός θόρυβος αφού οι συνδιακυμάνσεις είναι μηδενικές. 30
31 Άσκηση 2 Έστω ότι για μια δεδομένη χρονοσειρά προτείνονται τα ακόλουθα δύο μοντέλα: Υ t = δ Υ t Υ t 2 + ε t Υ t = Υ t 1 + ε t 0.10ε t 1 α. Να δοθεί η αντίστροφη μορφή του δεύτερου μοντέλου. β. Είναι πράγματι πολύ διαφορετικά αυτά τα δύο μοντέλα; Λύση α. Το δεύτερο μοντέλο είναι η εξίσωση διαφοράς μιας ARIMA(0,1,1) διαδικασίας, αφού: Υ t = Υ t 1 + ε t 0.10ε t 1 ( α 1 = 1 μη στάσιμη) Υ t Υ t 1 = ε t 0.10ε t 1 (πρώτες διαφορές) z t = ε t 0.10ε t 1 (ARMA(0,1) με θ 1 = 0.1) 31
32 Άρα η αρχική χρονοσειρά Υ t (μη στάσιμη) προέρχεται από μια ARIMA(0,1,1), αφού οι πρώτες διαφορές της Υ t, δηλαδή η z t (στάσιμη) είναι μια ARMA(0,1) διαδικασία. Η αντίστροφη μορφή μιας ARIMA(0,1,1) διαδικασίας είναι γνωστή: Υ t = 1 + θ 1 Υ t 1 θ θ 1 Υ t 2 + θ θ 1 Υ t 3 θ θ 1 Υ t 4 + ε t Οπότε για θ 1 = 0.1: Υ t = (1 0.1) Υ t Υ t Υ t ε t Υ t = 0. 9 Υ t Υ t Υ t ε t Βλέπουμε ότι η σπουδαιότητα των συντελεστών μειώνεται ταχύτατα. 32
33 β. Τα μοντέλα Υ t = δ Υ t Υ t 2 + ε t Υ t = Υ t 1 + ε t 0.10ε t 2 είναι διαφορετικά, αλλά η ARIMA(0,1,1) διαδικασία της οποίας το δεύτερο μοντέλο αποτελεί την εξίσωση διαφοράς της, μπορεί να θεωρηθεί ότι προσεγγίζεται ικανοποιητικά με την ARMA(2,0) διαδικασία που περιγράφει το πρώτο μοντέλο, καθώς γράφεται Υ t = 0.9 Υ t Υ t Υ t ε t όπου βλέπουμε ότι οι συντελεστές α 1, α 2 στα δυο μοντέλα διαφέρουν πολύ λίγο και οι τιμές των υπόλοιπων συντελεστών της αντίστροφης μορφής του ARIMA(0,1,1) είναι πολύ μικροί και φθίνουν εκθετικά. 33
34 Παράδειγμα ARIMA Θα εφαρμόσουμε ην μεθοδολογία Box-Jenkins εκτιμώντας ένα ARIMA μοντέλο για το ακαθάριστο προϊόν (GDP) της Ελλάδας για την περίοδο Τα δεδομένα δίνονται στο αρχείο GDP.dat. α) Ταυτοποίηση του μοντέλου Στο παρακάτω σχήμα δίνεται η γραφική παράσταση της χρονοσειράς. >> plot((1960:1994),gdp,'o-') 34
35 Με βάση τη γραφική παράσταση της χρονοσειράς, η σειρά δεν μπορεί να είναι στάσιμη, αφού οι τιμές της αυξάνονται συνεχώς. Η σειρά χαρακτηρίζεται από έντονη τάση. Η μη στασιμότητα της σειράς επιβεβαιώνεται αν εκτιμήσουμε τις αυτοσυσχετίσεις της. 35
36 Στα παρακάτω σχήματα δίνονται οι γραφικές παραστάσεις της συνάρτησης αυτοσυσχέτισης >> acm = autocorr(gdp,16); ή >> acm = autocorrelation(gdp, 16); και μερικής αυτοσυσχέτισης της χρονοσειράς >> pacfv = acf2pacf(acm(2:end),1) 36
37 Οι αυτοσυσχετίσεις της σειράς είναι σημαντικές μέχρι και την 6 η υστέρηση και η συνάρτηση αυτοσυσχέτισης φθίνει με αργό ρυθμό. Σε αυτές τις περιπτώσεις ενδείκνυται η χρησιμοποίηση των λογαρίθμων αντί των αρχικών της χρονοσειράς. Στο παρακάτω σχήμα δίνεται η γραφική παράσταση των λογαρίθμων της χρονοσειράς. >> plot((1960:1994),log(gdp),'o-') 37
38 Στο παρακάτω σχήμα δίνονται οι γραφικές παραστάσεις της συνάρτησης αυτοσυσχέτισης >> autocorr(log(gdp),16) και μερικής αυτοσυσχέτισης της λογαριθμικής χρονοσειράς >> pacfv = acf2pacf(acm(2:end),1) 38
39 Προφανώς ούτε η λογαριθμική χρονοσειρά μπορεί να θεωρηθεί ως στάσιμη. Για αυτό παίρνουμε τις πρώτες διαφορές. Δηλαδή εξετάζουμε την σειρά: x t =Δlog(GDP) t = log(gdp) t - log(gdp) t-1 >> xv = diff(log(gdp)); 39
40 Στο παρακάτω σχήμα δίνονται οι γραφικές παραστάσεις της συνάρτησης αυτοσυσχέτισης >> acm = autocorr(xv,16); και μερικής αυτοσυσχέτισης της λογαριθμικής χρονοσειράς πρώτων διαφορών >> pacfv = acf2pacf(acm(2:end),1) 40
41 Επειδή η συνάρτηση αυτοσυσχέτισης της λογαριθμικής χρονοσειράς πρώτων διαφορών φθίνει πολύ γρήγορα σε σχέση με την αρχική μη στάσιμη χρονοσειρά, δεν χρειάζεται να πάρουμε δεύτερες διαφορές. Μπορούμε δηλαδή να θεωρήσουμε ότι η σειρά μας είναι στάσιμη (το οποίο θα επιβεβαιώσουμε με κάποιον έλεγχο μοναδιαίας ρίζας). Παρατήρηση: Η δειγματική συνάρτηση αυτοσυσχέτισης δεν μπορεί να μιμείται επακριβώς τη συμπεριφορά της θεωρητικής συνάρτησης. Από την συνάρτηση μερικής αυτοσυσχέτισης βλέπουμε ότι μόνο για υστέρηση 1 είναι σημαντική. Η συμπεριφορά αυτή είναι χαρακτηριστική ενός μοντέλου AR(1). Επομένως ως πρώτη προσέγγιση μπορούμε να θεωρήσουμε ότι η σειρά ακολουθεί ένα μοντέλο ARIMA(1,1,0). 41
42 Υπενθύμιση Εκτίμηση δειγματικών αυτοσυσχετίσεων μιας σειράς X t : r s = ρ s = t=1 Τ r s = ρ s = T 1 Τ s (X t Χ)(X t+s Χ) ή Τ (X t Χ) 2 t=1 t=1 Τ (X t Χ)(X t+s Χ) Τ (X t Χ) 2 για μικρά δείγματα t=1 Εκτίμηση δειγματικών μερικών αυτοσυσχετίσεων μιας σειράς X t : r 11 = ρ 11 = ρ 1 1 ρ 1.. ρ 1 r 22 = ρ 22 = 1 ρ 1 ρ 1 ρ 2 1 ρ 1 ρ 1 1 = ρ 2 ρ ρ 1 2 r ss = ρ ρ. 2. ρ s 1 ρ s 2.. ρ s 1 ρ 1.. ρ s 1 ρ ρ s 2.. ρ s 1 ρ s
43 Υπενθύμιση Στατιστικά σημαντικές δειγματικές αυτοσυσχετίσεις μιας σειράς X t : r s > 2 Τ Στατιστικά σημαντικές μερικές δειγματικές αυτοσυσχετίσεις μιας σειράς X t : r ss > 2 Τ 43
44 β) Εκτίμηση μοντέλου Τα αποτελέσματα της εκτίμησης ενός μοντέλου ARMA(1,0) στις πρώτες διαφορές προκύπτουν ως εξής: >> [nrmsev,phiv,thetav,sdz,aics,fpes,armamodel]=fitarma(xv,1,0,0) Οι συντελεστές του AR(1) είναι: phiv = AIC = (Akaike information criterion) FPE = (Final prediction error) MSE: (Mean square error) 44
45 Εκτιμώμενο AR(1) μοντέλο για την στάσιμη χρονοσειρά xv (x t ): x t = x t 1 >> T = length(xv); >> for t=2:t yv(t) = *xV(t-1); end Οπότε τα κατάλοιπα υπολογίζονται ως: ε t = x t x t >> ev = xv - yv; 45
46 Για να θεωρήσουμε ότι το μοντέλο που εκτιμήσαμε είναι κατάλληλο, πρέπει να μην υπάρχουν αυτοσυσχετίσεις στα κατάλοιπα. Πράγματι, δεν υπάρχουν αυτοσυσχετίσεις στα κατάλοιπα: >> [acm] = autocorrelation(ev, 16); >> autocorr(ev, 16) >> pacfv = acf2pacf(acm(2:end,2),1); 46
47 Βιβλιογραφία 1. Ε. Μπόρα Σέντα, Χ. Μωυσιάδης. Εφαρμοσμένη στατιστική, Β έκδοση, Εκδόσεις Ζήτη, Γ. Κ. Χρήστου. Εισαγωγή στην Οικονομετρία, Β τόμος (Γ έκδοση), Εκδόσεις Gutenberg, Δ. Κουγιουμτζής. Σημειώσεις μαθήματος Χρονοσειρών. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, ΑΠΘ. 47
Χρονικές 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 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 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 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 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 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 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 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 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 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 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. 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 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 περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ ΑΥΤΟΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ AR(p) Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου ιαφάνεια
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 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 περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου
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 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 περισσότεραΧρονικές σειρές 3 Ο μάθημα: Βασικές στοχαστικές διαδικασίες Μη στάσιμες χρονοσειρές Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 3 Ο μάθημα: Βασικές στοχαστικές διαδικασίες Μη στάσιμες χρονοσειρές Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
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 περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑΟΓΔΟΟ-ΥΠΟΔΕΙΓΜΑΤΑ ARIMA & ΜΗ ΣΤΑΣΙΜΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΤΥΧΑΙΑΔΙΑΔΡΟΜΗ (RANDOM WALK) Έστω η αυτοπαλίνδρομη
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου
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 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 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 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 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 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 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 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 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 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 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 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 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 περισσότεραΟικονομικές εφαρμογές υπολογιστικών πακέτων. Στοχαστικά υποδείγματα
Οικονομικές εφαρμοές υπολοιστικών πακέτων Στοχαστικά υποδείματα Στοχαστική διαδικασία Στοχαστικά υποδείματα: κάθε χρονολοική σειρά δημιουρείται μέσα από ένα μηχανισμό παραωής δεδομένων που αποτελεί μια
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 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 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 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 περισσότεραΧρονικές σειρές 4 Ο μάθημα: Μη στάσιμες χρονοσειρές Μετασχηματισμός σε στάσιμες Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 4 Ο μάθημα: Μη στάσιμες χρονοσειρές Μετασχηματισμός σε στάσιμες Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
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 περισσότεραΜΑΘΗΜΑ 4 ο. Μοναδιαία ρίζα
ΜΑΘΗΜΑ 4 ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης. Ένας άλλος τρόπος που χρησιμοποιείται ευρύτατα στην ανάλυση
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 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 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 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 περισσότεραΜΑΘΗΜΑ 3ο. Υποδείγματα μιας εξίσωσης
ΜΑΘΗΜΑ 3ο Υποδείγματα μιας εξίσωσης Οι βασικές υποθέσεις 1. Ο διαταρακτικός όρος u t είναι μια τυχαία μεταβλητή με μέσο το μηδέν. Eu t = 0 για t = 1,2,3..n 2. Η διακύμανση της τυχαίας μεταβλητής u t είναι
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 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 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 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 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 περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2
013 [Κεφάλαιο ] ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο Μάθημα Εαρινού Εξάμηνου 01-013 M.E. OE0300 Πανεπιστήμιο Θεσσαλίας Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης [Οικονομετρία 01-013] Μαρί-Νοέλ
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 περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (1 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
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 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 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 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 περισσότερα5. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ (GENERAL LINEAR MODEL) 5.1 Εναλλακτικά μοντέλα του απλού γραμμικού μοντέλου: Το εκθετικό μοντέλο
5. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ (GENERAL LINEAR MODEL) 5.1 Εναλλακτικά μοντέλα του απλού γραμμικού μοντέλου: Το εκθετικό μοντέλο Ένα εναλλακτικό μοντέλο της απλής γραμμικής παλινδρόμησης (που χρησιμοποιήθηκε
Διαβάστε περισσότεραΜέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)
Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει
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 περισσότεραΔιαχείριση Υδατικών Πόρων
Εθνικό Μετσόβιο Πολυτεχνείο Διαχείριση Υδατικών Πόρων Γ.. Τσακίρης Μάθημα 3 ο Λεκάνη απορροής Υπάρχουσα κατάσταση Σενάριο 1: Μέσες υδρολογικές συνθήκες Σενάριο : Δυσμενείς υδρολογικές συνθήκες Μελλοντική
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 10ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 10ο Έλεγχοι συνολοκλήρωσης Αφού διαπιστωθεί πως οι εξεταζόμενες μεταβλητές είναι ολοκληρωμένες της ίδιας τάξης, τότε εκτελείται ο έλεγχος
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 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 περισσότερα9. Παλινδρόμηση και Συσχέτιση
9. Παλινδρόμηση και Συσχέτιση Παλινδρόμηση και Συσχέτιση Υπάρχει σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές; Αν ναι, ποια είναι αυτή η σχέση; Πως μπορεί αυτή η σχέση να χρησιμοποιηθεί για να προβλέψουμε
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 5ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 5ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης.
Διαβάστε περισσότεραΑπλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης
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 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 περισσότεραΕπίλυση Υποδειγμάτων με Ορθολογικές Προσδοκίες. Το Πρωτοβάθμιο Υπόδειγμα
Επίλυση Υποδειγμάτων με Ορθολογικές Προσδοκίες Το Πρωτοβάθμιο Υπόδειγμα Καθηγητής Γιώργος Αλογοσκούφης, Δυναμική Μακροοικονομική, 2014 Ορισμός των Ορθολογικών Προσδοκιών για Μία Περίοδο στο Μέλλον Η ορθολογική
Διαβάστε περισσότεραΤμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Πώς συσχετίζονται δυο μεταβλητές; Ένας απλός τρόπος για να αποκτήσουμε
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 Τμήμα Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τμήμα Τραπεζικής & Χρηματοοικονομικής Πολλαπλό Γραμμικό Υπόδειγμα Παλινδρόμησης Τα υποδείγματα του απλού γραμμικού υποδείγματος της παλινδρόμησης (simple linear regression
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 ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΡΩΤΟ-ΔΕΥΤΕΡΟ-ΣΤΑΣΙΜΟΤΗΤΑ- ΕΠΟΧΙΚΟΤΗΤΑ-ΚΥΚΛΙΚΗ ΤΑΣΗ ΧΡΗΣΙΜΟΙΟΡΙΣΜΟΙ Χρονολογική Σειρά (χρονοσειρά)
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 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 περισσότεραΧρονικές σειρές 1 o μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 1 o μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
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 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 περισσότεραΑπλή Παλινδρόμηση και Συσχέτιση
Απλή Παλινδρόμηση και Συσχέτιση Πωλήσεις, Δαπάνες Διαφήμισης και Αριθμός Πωλητών Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) 98 050 6 3 989
Διαβάστε περισσότεραΠαράρτηµα 3 Εξισώσεις Διαφορών και Στοχαστικές Διαδικασίες
Γιώργος Αλογοσκούφης, Θέµατα Δυναµικής Μακροοικονοµικής, Αθήνα 0 Παράρτηµα 3 Εξισώσεις Διαφορών και Στοχαστικές Διαδικασίες Στο παράρτηµα αυτό εξετάζουµε τις ιδιότητες και τους τρόπους επίλυσης των εξισώσεων
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 περισσότεραΣτατιστική 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 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 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 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 περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Έλεγχοι σταθερότητας των συντελεστών. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 8: Η τεχνική των ψευδομεταβλητών - Έλεγχοι σταθερότητας των συντελεστών Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage:
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 περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Ανασκόπηση βασικών εννοιών Στατιστικής και Πιθανοτήτων Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Παλινδρόμηση Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότερα4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER
4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER Σκοπός του κεφαλαίου είναι να παρουσιάσει μερικές εφαρμογές του Μετασχηματισμού Fourier (ΜF). Ειδικότερα στο κεφάλαιο αυτό θα περιγραφούν έμμεσοι τρόποι
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 5 Έστω για την σύγκριση δειγμάτων συλλέγουμε παρατηρήσεις Υ =,,, από
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 2: Παλινδρόμηση. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 2: Παλινδρόμηση. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικών Χρηματοοικονομικών Μαθηματικών ΧΡΟΝΟΣΕΙΡΕΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικών Χρηματοοικονομικών Μαθηματικών ΧΡΟΝΟΣΕΙΡΕΣ Σημειώσεις Πανεπιστημιακών Παραδόσεων ΑΛΕΞΑΝΔΡΟΣ ΜΗΛΙΏΝΗΣ ΟΚΤΩΒΡΙΟΣ 205 ΚΕΦΑΛΑΙΟ
Διαβάστε περισσότερα