[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: ۱۹
تعداد شماره ها: ۳۸
تعداد مشاهده ی مقالات: ۳۵۱۰۳۷۲
تعداد دریافت (دانلود) مقالات: ۹۵۶۳۶۸

مقالات دریافت شده: ۸۶۷
مقالات پذیرفته شده: ۳۶۳
مقالات رد شده: ۴۹۲
مقالات منتشر شده: ۳۶۰

نرخ پذیرش: ۴۱,۸۷
نرخ رد: ۵۶,۷۵

میانگین دریافت تا پذیرش: ۴۰۰ روز
میانگین دریافت تا اولین داوری: ۵,۷ روز
میانگین پذیرش تا انتشار: ۵۱۰,۲ روز
____
..
:: جستجو در مقالات منتشر شده ::
۳ نتیجه برای نقاط پرت

رحیم چینی پرداز، هدی کامرانفر،
جلد ۳، شماره ۱ - ( ۶-۱۳۸۸ )
چکیده

  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 (۱و۱) 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.


فروغ حاجی باقری، عبدالرحمن راسخ، محمدرضا آخوند،
جلد ۸، شماره ۱ - ( ۶-۱۳۹۳ )
چکیده

در حضور هم خطی با ناپایدار بودن برآورد کمترین توان های دوم پارامترها، انتظار می رود که باقیمانده ها هم ناپایدار باشند و در این صورت ممکن است که یک باقیمانده بزرگ از برازش کمترین توان های دوم نمایان گر یک مشاهده پرت نباشد و برعکس. در این صورت لزوم بررسی نقاط پرت هنگامی که از روش های معمول برآورد غیر از کمترین توان های دوم از جمله برآوردگر لیو استفاده می شود ضروری به نظر می رسد. در این مقاله با استفاده از روش انتقال میانگین نقاط پرت، آماره آزمون لازم برای شناسایی این نقاط به هنگام استفاده از برآوردگر لیو تعمیم داده می شود. در ادامه با استفاده از مجموعه داده ای واقعی کاربرد این روش مورد ارزیابی قرار می گیرد.

رضا ذبیحی مقدم، رحیم چینی‌پرداز، غلامعلی پرهام،
جلد ۱۲، شماره ۱ - ( ۶-۱۳۹۷ )
چکیده

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.



صفحه 1 از 1     

مجله علوم آماری – نشریه علمی پژوهشی انجمن آمار ایران Journal of Statistical Sciences

Persian site map - English site map - Created in 0.06 seconds with 35 queries by YEKTAWEB 4714