کتاب صوتی راهنمای عملی تخمین‌گرهای Local Whittle برای تحلیل سری‌های زمانی با حافظه بلندمدت: از تئوری تا پیاده‌سازی با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای عملی تخمین‌گرهای Local Whittle برای تحلیل سری‌های زمانی با حافظه بلندمدت: از تئوری تا پیاده‌سازی با پایتون

موضوع کلی: اقتصادسنجی سری‌های زمانی

موضوع میانی: تخمین نیمه‌پارامتری ادغام جزئی و حافظه بلندمدت

📋 سرفصل‌های دوره

• 1. معرفی دوره: چرا حافظه بلندمدت و تخمین‌گرهای Local Whittle؟
• 2. مروری بر مفاهیم پایه سری‌های زمانی
• 3. ویژگی‌های اصلی سری‌های زمانی: میانگین، واریانس، کوواریانس
• 4. مفهوم فرایندهای ایستا (Stationary Processes)
• 5. تابع خودهمبستگی (ACF) و تابع خودهمبستگی جزئی (PACF)
• 6. معرفی فرایندهای نویز سفید (White Noise)
• 7. مدل‌های میانگین متحرک (MA): تعریف و خصوصیات
• 8. مدل‌های خودرگرسیو (AR): تعریف و خصوصیات
• 9. مدل‌های ترکیبی ARMA: ترکیب قدرت AR و MA
• 10. مفهوم ایستا کردن سری‌های زمانی: تفاضل‌گیری صحیح
• 11. ریشه‌های واحد (Unit Roots) و تست‌های مربوطه
• 12. مدل‌های ARIMA: تلفیق تفاضل‌گیری و ARMA
• 13. محدودیت‌های مدل‌های ARIMA در مواجهه با حافظه بلندمدت
• 14. مقدمه‌ای بر پدیده‌ حافظه بلندمدت در سری‌های زمانی
• 15. ویژگی‌های آماری سری‌های با حافظه بلندمدت
• 16. تفاوت حافظه بلندمدت و حافظه کوتاه‌مدت: بینش نظری
• 17. مفهوم ادغام جزئی (Fractional Integration)
• 18. پارامتر ادغام جزئی (d): معنای اقتصادی و آماری
• 19. ارتباط پارامتر d با توان تجزیه طیفی
• 20. مفهوم شاخص هورست (Hurst Exponent) و ارتباط آن با d
• 21. مدل‌های ARFIMA: تعمیم ARIMA برای حافظه بلندمدت
• 22. مقدمه‌ای بر تحلیل سری‌های زمانی در حوزه فرکانس
• 23. مفهوم دوره نگار (Periodogram) و نحوه محاسبه آن
• 24. چگالی طیفی توان (Spectral Density Function - SDF)
• 25. رابطه SDF و تابع خودهمبستگی
• 26. تفسیر SDF برای سری‌های با حافظه کوتاه‌مدت
• 27. مشخصات SDF برای سری‌های با حافظه بلندمدت
• 28. چالش‌های تخمین حافظه بلندمدت با روش‌های پارامتری
• 29. چرا رویکردهای نیمه‌پارامتری ضروری هستند؟
• 30. مزایای تخمین نیمه‌پارامتری: انعطاف‌پذیری و مقاومت
• 31. مقدمه‌ای بر تخمین‌گر GPH (Gegenbauer Polynomial Estimator)
• 32. محدودیت‌های GPH و انگیزه‌ برای Local Whittle
• 33. مبانی نظری تخمین حداکثر راستنمایی ویتل (Whittle Likelihood)
• 34. ایده اصلی پشت تخمین‌گر Local Whittle
• 35. تمرکز بر فرکانس‌های پایین: دلیل و اهمیت آن
• 36. تابع هدف Local Whittle: فرمول‌بندی ریاضی
• 37. چگونگی بهینه‌سازی تابع هدف برای یافتن d
• 38. فرضیات اساسی برای تخمین‌گر Local Whittle
• 39. خصوصیات مجانبی (Asymptotic Properties) تخمین‌گر Local Whittle
• 40. اثبات سازگاری (Consistency) تخمین‌گر Local Whittle
• 41. توزیع مجانبی و نرمال بودن تخمین‌گر Local Whittle
• 42. اهمیت عرض باند (Bandwidth, m) در Local Whittle
• 43. انتخاب عرض باند: تاثیر بر سوگیری (Bias) و واریانس (Variance)
• 44. رابطه بین m و اندازه نمونه (T)
• 45. تاثیر نویز کوتاه‌مدت بر تخمین Local Whittle
• 46. شرایط لازم برای اعتبار تخمین‌گر Local Whittle
• 47. تخمین‌گر استاندارد Local Whittle
• 48. تخمین‌گر Local Whittle با استفاده از Tapering (درون‌کاهی داده)
• 49. هدف از Tapering: کاهش نشت طیفی (Spectral Leakage)
• 50. انواع مختلف توابع Tapering و تاثیر آنها
• 51. تخمین‌گر Exact Local Whittle و تمایز آن
• 52. تفاوت Local Whittle و Gaussian Semiparametric Estimator (GSE)
• 53. مقایسه تخمین‌گرهای GPH و Local Whittle: مزایا و معایب
• 54. مقاومت Local Whittle در برابر خطاهای غیر-گوسی
• 55. گسترش تخمین‌گر Local Whittle به حالت‌های چندمتغیره (Multivariate)
• 56. چالش‌های تخمین در حضور نوسانات (Volatility) متغیر
• 57. ارزیابی عملکرد تخمین‌گرها در مطالعات شبیه‌سازی (Monte Carlo)
• 58. معیارهای ارزیابی عملکرد: MSE، Bias، Variance
• 59. آماده‌سازی محیط پایتون برای اقتصادسنجی سری‌های زمانی
• 60. آشنایی با کتابخانه‌های اصلی: NumPy، Pandas، SciPy، Statsmodels
• 61. وارد کردن و آماده‌سازی داده‌های سری زمانی در پایتون
• 62. شبیه‌سازی سری‌های زمانی ARFIMA با پایتون
• 63. محاسبه دوره نگار در پایتون: تابع scipy.signal.periodogram
• 64. نمایش بصری دوره نگار و SDF تخمینی
• 65. کدنویسی پایتون برای تابع هدف Local Whittle
• 66. بهینه‌سازی تابع هدف با استفاده از scipy.optimize
• 67. استخراج پارامتر d از خروجی بهینه‌ساز
• 68. گام به گام: ساخت یک تابع Local Whittle ساده در پایتون
• 69. محاسبه فواصل اطمینان (Confidence Intervals) برای d
• 70. آزمون فرضیه برای پارامتر d (مثلاً d=0 یا d=0.5)
• 71. مدیریت داده‌های از دست رفته و خطاهای داده در پایتون
• 72. نکات عملکردی و بهینه‌سازی کد پایتون
• 73. ذخیره و بارگذاری نتایج تخمین
• 74. انتخاب عرض باند (m) در عمل: رویکردهای هیوریستیک
• 75. روش‌های پیشرفته‌تر انتخاب m: بررسی ادبیات
• 76. پیاده‌سازی تخمین‌گر Local Whittle با Tapering در پایتون
• 77. ارزیابی عملی: مقایسه Local Whittle با و بدون Tapering
• 78. تحلیل حساسیت (Sensitivity Analysis) به انتخاب عرض باند
• 79. شبیه‌سازی مونت کارلو برای ارزیابی عملکرد تخمین‌گر در پایتون
• 80. طراحی سناریوهای مختلف برای شبیه‌سازی
• 81. محاسبه و تحلیل Bias، Variance و MSE در شبیه‌سازی‌ها
• 82. مطالعه موردی ۱: تخمین حافظه بلندمدت در داده‌های مالی (بازدهی و نوسانات)
• 83. مطالعه موردی ۲: تخمین حافظه بلندمدت در داده‌های اقتصاد کلان (تورم، تولید ناخالص داخلی)
• 84. تحلیل و تفسیر نتایج مطالعات موردی
• 85. آزمون برای حافظه بلندمدت در پایتون (تست‌های مبتنی بر d)
• 86. پیش‌بینی با مدل‌های حافظه بلندمدت (مقدماتی)
• 87. ترکیب Local Whittle با سایر روش‌های تحلیل سری‌های زمانی
• 88. خلاصه و جمع‌بندی نکات کلیدی تخمین‌گر Local Whittle
• 89. چالش‌ها و محدودیت‌های عملی استفاده از Local Whittle
• 90. مقایسه جامع Local Whittle با سایر تخمین‌گرهای نیمه‌پارامتری (GPH، Wavelet-based)
• 91. انتخاب تخمین‌گر مناسب: راهنمایی بر اساس ویژگی‌های داده
• 92. آخرین پیشرفت‌ها و تحقیقات در زمینه تخمین حافظه بلندمدت
• 93. بحث پیرامون مسائل اخیر در مقاله اصلی "An Evaluation of Local Whittle Methods"
• 94. بررسی یافته‌های کلیدی مقاله الهام‌بخش
• 95. کاربردهای بالقوه آینده تخمین‌گرهای Local Whittle
• 96. جمع‌بندی دوره: از تئوری تا پیاده‌سازی موفق
• 97. منابع بیشتر برای یادگیری و پژوهش
• 98. پرسش و پاسخ: رفع ابهامات و بحث‌های پیشرفته
• 99. پروژه عملی: تخمین حافظه بلندمدت برای یک سری واقعی
• 100. نتیجه‌گیری: اهمیت حافظه بلندمدت در مدل‌سازی اقتصادی