---

  در این مقاله انواع نقاط پرت نوساز، جمع پذیر، تغییر سطح و تغییر موقت در سری­های زمانی معرفی و اثر آن­ها در تعیین مدل، برآورد پارامترها و باقیمانده­های مدل مورد بررسی قرار گرفته است. در مطالعه­ای شبیه­سازی، مدل (1و1) GARCH را در نظر گرفته و آن را با هر یک از نقاط پرت در نقطه زمانی خاصی ادغام کرده، سپس به بررسی و مقایسه تاثیر هر نوع نقطه پرت روی این مدل پرداخته شده است. در نهایت باقیمانده­ها با حضور نقطه پرت و سری زمانی که از تفاضل باقیمانده­ها با حضور نقطه پرت و بدون آن­ها به دست می­آید، مورد بررسی قرار گرفته و تاثیرات آن­ها در نمودارها نشان داده شده است.

---

یکی از موضوع های مورد توجه در بررسی کارایی یک بازار مالی، وجود ویژگی حافظه بلند مدت است. برای یک سری زمانی مالی ممکن است این ویژگی در تلاطم نمود پیدا کند. یکی از روش های شناسایی و مدل بندی حافظه بلند مدت در تلاطم، استفاده از مدل های ناهمگنی شرطی خودهمبسته تعمیم یافته انباشته کسری  است. در این مقاله به شناسایی و مدل بندی حافظه بلند مدت در تلاطم داده های نرخ ارز پرداخته می شود. با توجه به خصوصیات آماری چولگی، دم کلفتی و بیش کشیدگی داده ها، فرض نرمال بودن مانده ها معنی دار نیست و نمی توان از روش های معمول به شناسایی مدل پرداخت. با توجه به ساختار داده ها توزیع وارون گاوسی  یک انتخاب مناسب برای توزیع مانده ها است. بنابراین با این فرض به شناسایی مجدد مدل پرداخته می شود. نتایج نشان می دهند، مدل ناهم واریانس شرطی خودهمبسته تعمیم یافته انباشته کسری با توزیع وارون گاوسی انتخابی مناسب برای داده ها است

---

در این مقاله روشی برای استفاده از خروجی‌های کالمن فیلتر برای شناسایی تغییرات تأثیر گذار سری زمانی ارائه شده است. از آن‌جا که الگوریتم کالمن فیلتر برای تحلیل مدل‌های فضای حالت به کار می‌رود که مدل‌های خطی ARMA را پوشش می‌دهد، استفاده از این روش می‌تواند برای شناسایی تغییرات از جمله مقادیر پرت به کار رود. در این مقاله روش پیشنهاد شده برای شناسایی پنج تغییر: نقطه پرت جمع پذیر، تغییر سطح، تغییرات فصلی، تغییر دوره و شیب ناگهانی سری زمانی استفاده شده است. توانایی روش پیشنهادی در یافتن نقاط تأثیر گذار با استفاده شبیه‌سازی نشان داده شد. به عنوان یک مثال واقعی داده‌های ازدواج در کشور انگلیس مورد بررسی قرار گرفت.

---

در این مقاله یک روش برای برآورد ماتریس کوواریانس مدل ARMA با بهره‌گیری از ماتریس باند پیشنهاد شده است. تابع درستنمایی مدل ARMA با ماتریس کوواریانس قطری به دست آمده و تقریب‌هایی نیز برای معیارهایی مانند کولبک-لیبلر و چرنوف ارائه شده است. بعلاوه دو قاعده برای ممیزی مدل‌های ARMA با استفاده از تقریب‌های به دست آمده پیشنهاد شده است. سپس با استفاده از داده‌های شبیه‌سازی شده و واقعی، توانایی روش پیشنهادی در ممیزی مدل‌های مختلف ARMA نشان داده شده است. کاهش قابل ملاحظه تعداد محاسبات برای سری‌های زمانی بزرگ و نرخ خطای ممیزی پایین از ویژگی‌های قواعد پیشنهاد شده است. همچنین عدم نیاز به فرض نرمال بودن در یک قضیه نشان داده شده است.

---

‌ این مقاله به بررسی مدل سری زمانی خود بازگشت آمیخته با وزن‌های ثابت در قالب فضای حالت و تعمیم آن به مدل‌های خودبازگشت-میانگین متحرک آمیخته می‌پردازد. توابع چگالی پیش‌بینی، پالایش و هموارسازی با استفاده از یک روش مونت کارلوی دنباله‌ای تقریب زده شده‌اند. همچنین الگوریتم ‎EM‎ برای برآورد پارامترهای مدل در فضای حالت ارائه شده است. نتایج نشان می‌دهد در قالب فضای حالت، ابعاد بردار پارامترهای مدل کاهش می‌یابد. علاوه بر این رفتار الگوریتم‌های پالایش و هموارسازی با استفاده از شبیه‌سازی مونت کارلو در مدل‌های ایستا مورد بررسی قرار گرفته است. نتایج این مطالعه نشان می‌دهد الگوریتم پالایش در مدت زمان کوتاهی به یک حالت پایا نزدیک می‌شود. همچنین پس از گذشت زمان کوتاهی میانگین توزیع‌های پالایش و هموارسازی به مقادیر واقعی بردار حالت نزدیک می‌شوند. 

---

 در تحلیل سری‌های زمانی، بهتر است قبل از هرگونه تحلیلی، وابستگی داده‌ها مورد بررسی قرار گیرد. زیرا اگر داده‌ها از یکدیگر مستقل باشند، برازش مدل‌های متداول سری زمانی که مبتنی بر اصولی چون مانایی و وابستگی داده‌های زمانی است، اعتباری نخواهد داشت. ملاک واگرایی توان در سال‌های اخیر، اغلب برای آزمون نیکویی برازش مورد استفاده قرار گرفته است. در این مقاله با تشکیل بردارهای مجاور ‎m‎تایی و استفاده از نمادسازی جایگشت، آزمونی مبتنی بر ملاک واگرایی توان برای بررسی استقلال سری‌های زمانی معرفی می‌شود که به پارامتر کنترل کننده نوع آزمون بستگی دارند. پس از بدست آوردن توزیع حدی آماره آزمون، با استفاده از یک مطالعه شبیه‌سازی، خطای نوع اول و توان آزمون برای برخی از حالت‌های خاص پارامتر کنترل کننده نوع آزمون بدست می‌آید. به وسیله نتایج شبیه‌سازی نشان داده می‌شود که برای حجم نمونه نسبتا بزرگ به ازای تمامی مقادیر پارامتر کنترل کننده نوع آزمون خطای نوع اول آزمون به سطح اسمی آن نزدیک می‌شود و آزمون‌های خی-دو اصلاح شده، نسبت درستنمایی اصلاح شده و فریمن-توکی بیشترین توان را دارند.

---

---

---

روش تحلیل مجموعه ی مقادیر تکین  (SSA(   یک روش   ناپارامتری قدرتمند  درحوزه­ ی  تحلیل  سری­های  زمانی بوده و به دلیل دارا بودن ویژگی‌هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA  تجزیه سری­های زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر  تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی  در جهت بهبود این روش خصوصاٌ در زمینه­ ی پیش بینی سری های زمانی  صورت گرفته است.   در این مقاله روش جدیدی برای بهبود پیش بینی روش  SSA  با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA    با روش  SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد.  برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است.  نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است.

---

در این مقاله،  به منظور مدل‌سازی داده‌های سری زمانی گسسته‌مقدار، فرایند خودبازگشتی گسسته‌مقدار جدید بر اساس توزیع‌ نمایی-وایبل گسسته معرفی شده است.  
نظر به اهمیت توزیع‌های گسسته در مدل‌سازی داده‌های شمارشی، همتای گسسته توزیع نمایی-وایبل معرفی و برخی ویژگی‌های آماری آن از قبیل تابع ﺑﻘﺎ، ﻧﺮخ ﺧﻄر، تابع مولد گشتاور، چولگی و کشیدگی بررسی می‌شود.  شاخص‌های پراکندگی فیشر، چولگی و کشیدگی، بیانگر انعطاف‌پذیری و کارایی توزیع نمایی-وایبل گسسته در برازش انواع مختلف داده‌های شمارشی است. توزیع نمایی-وایبل گسسته، برازش داده‌هایی با ویژگی‌های مختلف پراکندگی (کم‌پراکندگی، بیش‌پراکندگی و همسان)، دم راست بلند (چوله به راست) و دم سنگین را پوشش می‌دهد. پارامترهای مدل با استفاده از سه رویکرد ماکسیمم درستنمایی شرطی، کمترین توان‌های دوم شرطی تعمیم‌یافته و یول-واکر  برآورد شده است. در پایان، کارایی و برتری فرایند مدنظر در برازش داده‌های تعداد فوت ناشی از بیماری COVID-19 نیز، در مقایسه با سایر مدل‌های رقیب بررسی می‌شود.

 

---

 تحلیل سری‌های زمانی - مکانی در علوم مختلف حائز اهمیت اما در عین حال چالش برانگیز است.  دقت تحلیل‌های سری‌‌‌های زمانی - مکانی به نحوه تبیین صحیح ارتباط در بعد زمان و مکان آنها بستگی دارد. در این مقاله، مولفه‌های اصلی دینامیکی یکطرفه جهت مدل‌سازی ساختار مشترک  سری‌های زمانی - مکانی معرفی و مورد استفاده قرار می‌گیرد. این مولفه‌های اصلی با مجموعه  داده‌هایی که شامل تعداد زیادی از سری‌های زمانی - مکانی است، قابل استفاده است. مولفه‌های اصلی دینامیکی علاوه بر ارتباط مکانی، تشخیص روند و روند فصلی،  انعکاس دهنده سایر عوامل مشترک زمانی و مکانی در مجموعه‌ای  از  سری‌های زمانی - مکانی هستند. جهت بررسی کارایی مولفه‌های اصلی دینامیکی یکطرفه،  از آنها برای خوشه‌‌‌بندی و پیش‌بینی در سری‌های زمانی - مکانی استفاده می‌شود.بر اساس سری‌های زمانی - مکانی بارندگی در ایستگاه‌های مختلف استان گلستان، کارایی مولفه‌‌های اصلی در خوشه‌بندی ایستگاه‌های هیدرومتری، مورد بررسی قرار می‌گیرد. همچنین پیش‌بینی بر اساس مولفه‌های اصلی دینامیکی یکطرفه برای مقادیر شاخص بارش استاندارد که یک شاخص مهم در بیان خشکسالی می‌باشد، انجام  می‌گیرد.

---

موضوع تشخیص  نقطه تغییر یکی از چالش برانگیزترین مسایل آماری است، زیرا تعداد و موقعیت زمانی این نقاط ناشناخته هستند. در این مقاله ابتدا به معرفی مفهوم    نقطه تغییر پرداخته و سپس برآورد پارامترها در مدل اتورگرسیو مرتبه اول  AR(1) بررسی می‌شود. به‌منظور بررسی دقت برآوردگرهای بدست آمده یک مطالعه شبیه‌سازی انجام داده و در ادامه دقت و سازگاری برآوردگرها به کمک MSE  مورد بررسی قرار  می‌گیرد. نتایج شبیه‌سازی نشان دهنده سازگاری برآوردگر پارامترهای مدل است، به این معنا که با افزایش حجم نمونه میانگین مربع خطای برآورد پارامترهای مختلف به صفر میل می‌کند. در ادامه مدل  AR(1) با نقطه تغییر به داده‌های نرخ تورم سالانه (از سال 1323 تا 1401) برازش داده و به کمک آن نرخ تورم برای سال 1402و 1403  پیش‌بینی می‌شود.