[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
اطلاعات نشریه::
آرشیو مجله و مقالات::
ثبت نام و اشتراک::
ارسال مقاله::
پایگاه‌های مرتبط::
برای داوران::
اخلاق در پژوهش::
تماس با ما::
تسهیلات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
Google Scholar Metrics

Citation Indices from GS

AllSince 2020
Citations4817
h-index32
i10-index00
..
ثبت شده در

AWT IMAGE


..
نماد اعتماد الکترونیکی
..
آمار نشریه
تعداد دوره های نشریه: 19
تعداد شماره ها: 38
تعداد مشاهده ی مقالات: 3452656
تعداد دریافت (دانلود) مقالات: 933060

مقالات دریافت شده: 864
مقالات پذیرفته شده: 362
مقالات رد شده: 491
مقالات منتشر شده: 359

نرخ پذیرش: 41.9
نرخ رد: 56.83

میانگین دریافت تا پذیرش: 401 روز
میانگین دریافت تا اولین داوری: 5.7 روز
میانگین پذیرش تا انتشار: 510.2 روز
____
..
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
پیش‌بینی سری‌های زمانی تابع چگالی: رویکرد تحلیل مجموعه‌ی مقادیر تکین‌ تابعی
حسین حق بین*
چکیده:   (107 مشاهده)
در این مقاله، رویکردی جدید برای پیش‌بینی یک دنباله زمانی از توابع چگالی احتمال ارائه می‌شود که بر اساس تحلیل مجموعه مقادیر تکین‌ تابعی توسعه یافته است. این رویکرد با هدف تحلیل سری‌های زمانی تابعی و رفع محدودیت‌های موجود در پیش‌بینی توابع چگالی، مانند غیرمنفی بودن و انتگرال واحد توابع چگالی، معرفی شده است. در این مقاله ابتدا با معرفی تبدیل‌های مناسب، سری زمانی توابع چگالی را به یک سری زمانی تابعی تبدیل کرده و سپس از تحلیل مجموعه مقادیر تکین‌ تابعی برای پیش‌بینی سری‌های زمانی تابعی جدید استفاده می‌شود و در نهایت، توابع پیش‌بینی شده با تبدیل عکس، به فضای توابع چگالی بر می‌گردند. در نهایت روش پیشنهادی با استفاده از داده‌های واقعی شامل چگالی تصاویر ماهواره‌ای ارزیابی می‌شود.
واژه‌های کلیدی: پیش‌بینی سری‌های زمانی تابعی، تحلیل مجموعه مقادیر تکین‌ تابعی، تخمین تابع چگالی، تحلیل داده‌های تابعی
متن کامل [PDF 698 kb]   (64 دریافت)    
نوع مطالعه: كاربردي و توسعه ای | موضوع مقاله: سریهای زمانی
دریافت: 1403/7/21 | پذیرش: 1404/2/10
فهرست منابع
1. ذبیحی مقدم ر.، یارمحمدی م.، حسنی ح. و نصیری پ. (۱۴۰۱)، بررسی بهبود پیش بینی بازگشتی روش تحلیل مجموعه مقادیر تکین در مدل های سری زمانی ساختاری با استفاده از پالایش داده ها و الگوریتم وزنی، مجله علوم آماری، 16(2)، 373- 395.
2. Bernhardt, C., Klüppelberg, C. and Meyer-Brandis, T. (2008), Estimating high quantiles for electricity prices by stable linear models, Journal of Energy Markets, 1(1), 3-19. [DOI:10.21314/JEM.2008.002]
3. Bosq, D. (1991). Modelization, nonparametric estimation and prediction for continuous time processes. Nonparametric functional estimation and related topics, 509-529. Springer. [DOI:10.1007/978-94-011-3222-0_38]
4. Chen, Z., Bao, Y., Li, H. and Spencer Jr, B. F. (2019), LQD-RKHS-based distribution-to-distribution regression methodology for restoring the probability distributions of missing SHM data. Mechanical Systems and Signal Processing, 121, 655-674. [DOI:10.1016/j.ymssp.2018.11.052]
5. Condino, F. (2023), Share density-based clustering of income data. Statistical Analysis and Data Mining: The ASA Data Science Journal, 16(4), 336-347, Wiley Online Library. [DOI:10.1002/sam.11619]
6. Golyandina, N., Nekrutkin, V. and Zhigljavsky, A. A. (2001), Analysis of time series structure: SSA and related techniques. Chapman and Hall/CRC, New York, NY USA. [DOI:10.1201/9781420035841]
7. Golyandina, N. and Osipov, E. (2007), The "Caterpillar"-SSA method for analysis of time series with missing values. Journal of Statistical Planning and Inference, 137(8), 2642-2653, Elsevier. [DOI:10.1016/j.jspi.2006.05.014]
8. Haghbin, H., Morteza Najibi, S., Mahmoudvand, R., Trinka, J. and Maadooliat, M. (2021), Functional Singular Spectrum Analysis, Stat, 10(1), e330. [DOI:10.1002/sta4.330]
9. Haghbin, H. and Maadooliat, M. (2024). A journey from univariate to multivariate functional time series: A comprehensive review. Wiley Interdisciplinary Reviews: Computational Statistics, 16(1), e1640. [DOI:10.1002/wics.1640]
10. Hyndman, R. and Ullah, S. (2007). Robust forecasting of mortality and fertility rates: A functional data approach, Computational Statistics & Data Analysis, 51(10), 4942-4956. [DOI:10.1016/j.csda.2006.07.028]
11. Hyndman, R. and Shang, H. L. (2009), Functional time series forecasting. Journal of the Korean Statistical Society, 38(3), 199-211. [DOI:10.1016/j.jkss.2009.06.002]
12. Hörmann, S. and Kokoszka, P. P. (2012), Functional time series. In Time Series Analysis, Handbook of Statistics (Vol. 30, pp. 157-186), Elsevier B.V., Amsterdam. [DOI:10.1016/B978-0-444-53858-1.00007-7]
13. Horváth, L. and Kokoszka, P. (2012), Inference for functional data with applications. Springer Science & Business Media. [DOI:10.1007/978-1-4614-3655-3]
14. Kneip, A. and Utikal, K. J. (2001), Inference for density families using functional principal component analysis. Journal of the American Statistical Association, 96(454), 519-542. [DOI:10.1198/016214501753168235]
15. Kokoszka, P., Miao, H., Petersen, A. and Shang, H. L. (2019), Forecasting of density functions with an application to cross-sectional and intraday returns. International Journal of Forecasting, 35(4), 1304-1317. [DOI:10.1016/j.ijforecast.2019.05.007]
16. Pascariu, M. D., Lenart, A. and Canudas-Romo, V. (2019), The maximum entropy mortality model: Forecasting mortality using statistical moments. Scandinavian Actuarial Journal, 2019(8), 661-685. [DOI:10.1080/03461238.2019.1596974]
17. Petersen, A. and Müller, H.-G. (2016), Functional data analysis for density functions by transformation to a Hilbert space. The Annals of Statistics, 44, 183-218. [DOI:10.1214/15-AOS1363]
18. Ramsay, J. O. and Silverman, B. W. (2005), Functional data analysis. Springer-Verlag, New York, NY USA. [DOI:10.1007/b98888]
19. Ramsay, J. O. (1998), Estimating smooth monotone functions. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 60(2), 365-375. [DOI:10.1111/1467-9868.00130]
20. Ramsay, J. O. (2000), Differential equation models for statistical functions. Canadian Journal of Statistics, 28(2), 225-240. [DOI:10.2307/3315975]
21. Rodrigues, P. C. and Mahmoudvand, R. (2016), Correlation analysis in contaminated data by singular spectrum analysis. Quality and Reliability Engineering International, 32(6), 2127-2137. [DOI:10.1002/qre.2027]
22. Shang, H. L., Haberman, S. and Xu, R. (2022), Multi-population modelling and forecasting life-table death counts. Insurance: Mathematics and Economics, 106, 239-253. [DOI:10.1016/j.insmatheco.2022.07.002]
23. Trinka, J., Haghbin, H. and Maadooliat, M. (2022), Multivariate functional singular spectrum analysis: A nonparametric approach for analyzing multivariate functional time series. In Innovations in multivariate statistical modeling: Navigating theoretical and multidisciplinary domains (pp. 187-221). Springer. [DOI:10.1007/978-3-031-13971-0_9]
24. Trinka, J., Haghbin, H., Lin Shang, H. and Maadooliat, M. (2023), Functional time series forecasting: Functional singular spectrum analysis approaches, Stat, 12(1), e621. [DOI:10.1002/sta4.621]
25. Zabihi Moghadam R, Yarmohammadi M, Hassani H and Nasiri P. (2023), Investigating the Improvement of Recurrent Forecasting of Singular Spectrum Analysis Method in Structural Time Series Models Using Data Filtration and Weighting Algorithm. Journal of Statistical Sciences, 16 (2), 373-395. [DOI:10.52547/jss.16.2.373]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران Journal of Statistical Sciences

Persian site map - English site map - Created in 0.05 seconds with 45 queries by YEKTAWEB 4710