هایدی

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

هایدی

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

تحقیق درباره تخمین مدل و استنتاج آماری

اختصاصی از هایدی تحقیق درباره تخمین مدل و استنتاج آماری دانلود با لینک مستقیم و پر سرعت .

تحقیق درباره تخمین مدل و استنتاج آماری


تحقیق درباره تخمین مدل و استنتاج آماری

فرمت فایل:  ورد ( قابلیت ویرایش ) 


قسمتی از محتوی متن ...

 

تعداد صفحات : 23 صفحه

تخمین مدل و استنتاج آماری بررسی ایستایی (ساکن بودن) سری های زمانی قبل از تخمین مدل، به بررسی ایستایی می پردازیم.
می توان چنین تلقی نمود که هر سری زمانی توسط یک فرآیند تصادفی تولید شده است.
داده های مربوط به این سری زمانی در واقع یک مصداق از فرآیند تصادفی زیر ساختی است.
وجه تمایز بین (فرآیند تصادفی) و یک (مصداق) از آن، همانند تمایز بین جامعه و نمونه در داده های مقطعی است.
درست همانطوری که اطلاعات مربوط به نمونه را برای استنباطی در مورد جامعه آماری مورد استفاده قرار می دهیم، در تحلیل سریهای زمانی از مصداق برای استنباطی در مورد فرآیند تصادفی زیر ساختی استفاده می کنیم.
نوعی از فرآیندهای تصادفی که مورد توجه بسیار زیاد تحلیل گران سریهای زمانی قرار گرفته است فرآیندهای تصادفی ایستا می باشد. برای تاکید بیشتر تعریف ایستایی، فرض کنید Yt یک سری زمانی تصادفی با ویژگیهای زیر است: (1) : میانگین (2) واریانس : (3) کوواریانس : (4) ضریب همبستگی : که در آن میانگین ، واریانس کوواریانس (کوواریانس بین دو مقدار Y که K دوره با یکدیگر فاصله دارند، یعنی کوواریانس بین Yt و Yt-k) و ضریب همبستگی مقادیر ثابتی هستند که به زمان t بستگی ندارند. اکنون تصور کنید مقاطع زمانی را عوض کنیم به این ترتیب که Y از Yt به Yt-k تغییر یابد.
حال اگر میانگین، واریانس، کوواریانس و ضریب همبستگی Y تغییری نکرد، می توان گفت که متغیر سری زمانی ایستا است.
بنابراین بطور خلاصه می توان چنین گفت که یک سری زمانی وقتی ساکن است که میانگین، واریانس، کوواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باقی بماند و مهم نباشد که در چه مقطعی از زمان این شاخص ها را محاسبه می کنیم.
این شرایط تضمین می کند که رفتار یک سری زمانی، در هر مقطع متفاوتی از زمان، همانند می باشد. آزمون ساکن بودن از طریق نمودار همبستگی و ریشه واحد یک آزمون ساده برای ساکن بودن براساس تابع خود همبستگی (ACF) می باشد.
(ACF) در وقفه k با نشان داده می شود و بصورت زیر تعریف می گردد. از آنجاییکه کوواریانس و واریانس، هر دو با واحدهای یکسانی اندازه گیری می‌شوند، یک عدد بدون واحد یا خالص است.
به مانند دیگر ضرایب همبستگی، بین (1-) و (1+) قرار دارد.
اگر را در مقابل K (وقفه ها) رسم نماییم، نمودار بدست آمده، نمودار همبستگی جامعه نامیده می شود.
از آنجایی که عملاً تنها یک تحقق واقعی (یعنی یک نمونه) از یک فرآیند تصادفی را داریم، بنابراین تنها می‌توانیم تابع خود همبستگی نمونه، را بدست آوریم.
برای محاسبه این تابع می‌بایست ابتدا کوواریانس نمونه در وقفه K و سپس واریانس نمونه را محاسبه نماییم. که همانند نسبت کوواریانس نمونه به واریانس نمونه است.
نمودار در مقابل K نمودار همبستگی نمونه نامیده می شود.
در عمل وقتی مربوط به جامعه را ندایم و تنها را براساس مصداق خاصی از فرآیند تصادفی در اختیار داریم باید به آزمون فرضیه متوسل شویم تا بفهمیم که صفر است یا خیر.
بارتلت (1949) نشان داده است که اگر یک سری زمانی کاملاً تصادفی یعنی نوفه سفید باشد، ضرایب خود همبستگی نمونه تقریباً دارای توزیع نرمال با میانگین صفر و واریانس م

متن بالا فقط تکه هایی از متن به صورت نمونه در این صفحه درج شده است.شما بعد از پرداخت آنلاین فایل را فورا دانلود نمایید

بعد از پرداخت ، لینک دانلود را دریافت می کنید و ۱ لینک هم برای ایمیل شما به صورت اتوماتیک ارسال خواهد شد.


دانلود با لینک مستقیم


تحقیق درباره تخمین مدل و استنتاج آماری