فرادرس آموزش رایگان روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی

عنوان انگلیسی:

parametric and non parametric methods for detrending of time series data

توضیحات:

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید:
http://www.faradars.org/fwec9309s3#

فیلم آموزشی روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی، که برای دانلود رایگان و توسط فرادرس منتشر شده است، بخشی از کارگاه تخصصی پیش بینی سری های زمانی و اقتصادسنجی در متلب است، که در آذر ماه 1393، با همکار پژوهشکده آمار و فرادرس برگزار شده است. مدرس این کارگاه آموزش، دکتر سیدمصطفی کلامی هریس، فارغ التحصیل دکترای مهندسی کنترل، از دانشگاه صنعتی خواجه نصیر است، که تا کنون تجربه برگزاری ده ها کارگاه آموزشی در کنفرانس ها، همایش های علمی و سازمان ها را داشته است، و بیش از 300 ساعت برنامه آموزشی تخصصی را در فرادرس، توسط ایشان ارائه شده است.

در این فیلم آموزشی، در خصوص تجزیه یک سری زمانی به زیر مولفه های تشکیل دهنده آن، بحث شده است و با رویکردهای پارامتریک و غیر پارامتریک، سعی شده است که مولفه اصلی (گرایش یا Trend) موجود در اطلاعات سری زمانی، جدا سازی شود، تا تحلیل سری زمانی، راحت تر پیش برود. در مدل مورد استفاده، فرض شده است که هر سری زمانی را، بتوانیم به یک مولفه معین و غیر فصلی (گرایش)، مولفه معین و فصلی، و بخش نامعین و بی قاعده تجزیه کنیم. روش های پارامتریک (با رویکرد کمترین مربعات خطا یا Least Squares) و روش های غیر پارامتریک (با رویکرد فیلتر میانگین متحرک یا Moving Average)، در این فیلم آموزش معرفی، و سپس در محیط متلب، پیاده شده اند.

سرفصل های مورد بحث در این فیلم آموزشی عبارتند از:

نحوه تجزیه اطلاعات یک سری زمانی به مولفه اصلی (Trend)، فصلی (Seasonal) و بی قاعده (Irregular)
معرفی مدل های مختلف تجزیه شامل: جمع شونده، ضرب شونده، و جمع شونده لگاریتمی
بررسی شیوه انجام تجزیه یک سری زمانی
استفاده از روش های غیر پارامتریک برای تخمیت مولفه های یک سیگنال
معرفی فیلتر میانگین متحرک یا Moving Average Filter به عنوان یک فیلتر پایین گذر
نحوه پیاده سازی فیلتر میانگین متحرک یا MA در متلب
تنظیمات مناسب برای حذف مولفه های گرایش فصلی (با دوره تناوب ماهانه یا فصلی)
استفاده از تابع conv (کانولوشن) برای پیاده سازی فیلتر میانگین متحرک
اعمال فیلتر میانگین متحرک بر روی داده های به دست آمده از آمار مسافران در یکی از خطوط هوایی
بررسی تئوریک روش کمترین مربعات یا Least Squares برای مدل سازی
تبدیل مسأله مدل سازی مولفه گرایش اصلی به یک مسأله مدل سازی کمترین مربعات
مدل سازی گرایش اصلی آمار تصادفات جاده ای به صورت یک تابع درجه دو از زمان
تعمیم روش کمترین مربعات به استفاده از رگرسورهای غیر خطی و عمومی
پیاده سازی گام به گام همه الگوریتم های مطرح شده در محیط متلب

مدرس: سید مصطفی کلامی هریس

کلمات کلیدی:
Dtrending, Econometrics, Econometrics in MATLAB, Least Seuares, Moving Average, Time series analysis, Time series prediction, آماده سازی سری زمانی, بررسی داده های تصادفات جاده ای, بررسی داده های مسافرین خطوط هوایی, تجزیه سری های زمانی, تخمین غیر پارامتریک, تخمین پارامتریک, حذف Trend, حذف گرایش, روش های غیر پارامتریک حذف گرایش‬, روش های پارامتریک حذف گرایش‬, فیلتر MA, فیلتر میانگین متحرک, فیلتر پایین گذر, مدل سازی با کمترین مربعات خطا, مولفه بی قاعده, مولفه فصلی, مولفه گرایش, میانگین متحرک, پردازش سیگنال، پیش پردازش سری زمانی, کمترین مربعات, ‫تحلیل سری زمانی‬،فیلم آموزشی،آموزش,دانلود فرادرس آموزشی رایگان,دانلود فیلم آموزشی رایگان,دانلود جزوه ,تصویری آموزشی,دانلود کتاب تصویری آموزشی,آموزش غیر حضوری و الکترونیکی,دوره آموزشی تخصص





تعداد کلیک:

5860



فرم عضویت در خبرنامه کدسرا
 

شما می توانید به منظور اطلاع یافتن از آخرین کدهای منتشر شده در کدسرا، با وارد کردن ایمیل خود در کادر زیر به عضویت خبرنامه کدسرا در آیید.

Please leave this field empty.



لینک خارجی

این مطلب، که توسط موتور جستجوی کدسرا پیشنهاد شده است، بر روی یک وبسایت دیگر قابل دسترسی است.

برای مشاهده آن، بر روی لینک زیر، کلیک کنید.



مشاهده لینک



فرادرس آموزش رایگان روش های پارامتریک و غیر پارامتریک حذف گرایش یا Trend از سری های زمانی