کتاب صوتی تخمین مدل‌های ARIMA با نوآوری‌های غیر نرمال: روش بهینه‌سازی چندجمله‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تخمین مدل‌های ARIMA با نوآوری‌های غیر نرمال: روش بهینه‌سازی چندجمله‌ای

موضوع کلی: آمار و اقتصادسنجی

موضوع میانی: مدل‌سازی سری‌های زمانی

📋 سرفصل‌های دوره

• 1. معرفی دوره و اهداف آموزشی
• 2. مروری بر آمار توصیفی: میانگین، واریانس، چولگی، کشیدگی
• 3. مفاهیم اساسی احتمال و توزیع‌های آماری
• 4. آشنایی با توزیع نرمال و اهمیت آن
• 5. آزمون‌های فرض آماری: مبانی و کاربردها
• 6. مقدمه‌ای بر مدل‌سازی سری‌های زمانی و کاربردهای آن
• 7. تعریف سری‌های زمانی و انواع داده‌های سری زمانی
• 8. اجزای سری زمانی: روند، فصلی، چرخه‌ای، نامنظم
• 9. روش‌های تجزیه سری زمانی: کلاسیک و مدرن
• 10. مفهوم فرایند تصادفی و مشخصه‌های آن
• 11. تابع خودهمبستگی (ACF) و کاربرد آن
• 12. تابع خودهمبستگی جزئی (PACF) و اهمیت آن
• 13. فرایند نویز سفید (White Noise): تعریف و خواص
• 14. مفهوم مانایی (Stationarity) در سری‌های زمانی
• 15. فرایندهای مانای اکید و مانای ضعیف: تفاوت‌ها
• 16. بررسی مانایی: نمودارهای سری زمانی و ACF
• 17. آزمون‌های ریشه واحد: دیکی-فولر تعمیم‌یافته (ADF)
• 18. آزمون‌های ریشه واحد: فیلیپس-پرون (PP)
• 19. تبدیل سری‌های زمانی نامانا به مانا: تفاضل‌گیری
• 20. مدل‌های خودرگرسیو (AR): مفاهیم و ویژگی‌ها
• 21. تخمین پارامترهای مدل AR(p)
• 22. مدل‌های میانگین متحرک (MA): مفاهیم و ویژگی‌ها
• 23. تخمین پارامترهای مدل MA(q)
• 24. مدل‌های ARMA(p,q): ترکیب AR و MA
• 25. شناسایی مدل‌های ARMA با استفاده از ACF و PACF
• 26. فرایند باکس-جنکینز برای مدل‌سازی ARMA
• 27. تخمین پارامترهای مدل‌های ARMA (روش‌های سنتی)
• 28. آزمون‌های تشخیص (Diagnostic Checking) مدل‌های ARMA
• 29. مدل‌های ARIMA(p,d,q): تلفیق ARMA با تفاضل‌گیری
• 30. معرفی نوآوری‌ها (Innovations) در مدل‌های سری زمانی
• 31. فرض نرمال بودن نوآوری‌ها و دلایل تاریخی آن
• 32. محدودیت‌های فرض نرمال بودن نوآوری‌ها در عمل
• 33. انحراف از نرمال بودن: مفهوم چولگی (Skewness)
• 34. انحراف از نرمال بودن: مفهوم کشیدگی (Kurtosis)
• 35. توزیع‌های با دم‌های سنگین (Heavy-tailed Distributions)
• 36. معرفی توزیع‌های نامتقارن (Asymmetric Distributions)
• 37. توزیع نرمال چول (Skew-Normal Distribution)
• 38. توزیع تی چول (Skew-t Distribution)
• 39. توزیع نمایی تعمیم‌یافته (Generalized Exponential Distribution)
• 40. بررسی تجربی عدم تقارن و دم‌های سنگین در داده‌های واقعی
• 41. پیامدهای عدم تقارن نوآوری‌ها بر مدل‌سازی
• 42. آزمون‌های نرمال بودن: جارک-برا (Jarque-Bera)
• 43. آزمون‌های نرمال بودن: کالموگروف-اسمیرنوف (Kolmogorov-Smirnov)
• 44. آزمون‌های نرمال بودن: شاپیرو-ویلک (Shapiro-Wilk)
• 45. آزمون‌های چولگی و کشیدگی: استفاده عملی و تفسیر
• 46. اهمیت در نظر گرفتن عدم تقارن در پیش‌بینی
• 47. مفهوم گشتاورها (Moments) و نقش آنها در توزیع‌ها
• 48. تابع چگالی احتمال (PDF) و تابع توزیع تجمعی (CDF)
• 49. روش حداقل مربعات معمولی (OLS) در مدل‌های AR
• 50. روش حداکثر درستنمایی (MLE) برای مدل‌های ARIMA (نوآوری نرمال)
• 51. فرمول‌بندی تابع درستنمایی برای نوآوری‌های نرمال
• 52. تخمین پارامترها با MLE: جنبه‌های عملی و چالش‌ها
• 53. ویژگی‌های تخمین‌گرهای MLE (سازگاری، کارایی، نرمالی مجانبی)
• 54. مشکلات MLE در حضور نوآوری‌های غیر نرمال
• 55. عدم سازگاری و ناکارایی MLE در شرایط غیر نرمال و نامتقارن
• 56. سوگیری (Bias) در تخمین پارامترها با MLE در شرایط غیر استاندارد
• 57. مروری بر رویکردهای جایگزین در مواجهه با نوآوری‌های غیر نرمال
• 58. انگیزه توسعه روش بهینه‌سازی چندجمله‌ای (PMM)
• 59. معرفی اجمالی PMM به عنوان یک روش تخمین مقاوم
• 60. مبانی ریاضی توابع چندجمله‌ای و خواص آنها
• 61. چندجمله‌ای‌های متعامد (Orthogonal Polynomials)
• 62. چندجمله‌ای‌های هرمیت (Hermite Polynomials): تعریف و کاربردها
• 63. ویژگی‌های چندجمله‌ای‌های هرمیت و فرمول‌های بازگشتی
• 64. تقریب توابع چگالی احتمال (PDF) با بسط چندجمله‌ای هرمیت
• 65. بسط چندجمله‌ای هرمیت: روش و مراحل
• 66. ضرایب بسط هرمیت و ارتباط آنها با گشتاورهای توزیع
• 67. چگونگی بازسازی شکل PDF از طریق بسط هرمیت
• 68. فرمول‌بندی تابع هدف در روش بهینه‌سازی چندجمله‌ای
• 69. بهینه‌سازی مبتنی بر گشتاورهای نمونه
• 70. تعیین درجه مناسب چندجمله‌ای در بسط هرمیت
• 71. مراحل الگوریتم PMM برای تخمین پارامترها
• 72. فرمول‌بندی مسئله بهینه‌سازی غیر خطی در PMM
• 73. روش‌های حل مسئله بهینه‌سازی: الگوریتم‌های عددی
• 74. نرم‌افزارها و کتابخانه‌های پیاده‌سازی PMM
• 75. خواص آماری تخمین‌گرهای PMM: سازگاری (Consistency)
• 76. خواص آماری تخمین‌گرهای PMM: کارایی (Efficiency)
• 77. مزایای PMM نسبت به MLE سنتی در شرایط نوآوری غیر نرمال
• 78. توانایی PMM در مدل‌سازی چولگی و کشیدگی نوآوری‌ها
• 79. چالش‌ها و محدودیت‌های پیاده‌سازی PMM
• 80. انتخاب درجه بسط و حساسیت نتایج PMM
• 81. پیچیدگی محاسباتی PMM و راهکارهای بهینه‌سازی
• 82. گام‌های ادغام PMM با ساختار مدل ARIMA
• 83. فرمول‌بندی مدل ARIMA با نوآوری‌های تخمین‌زده شده توسط PMM
• 84. تخمین پارامترهای خودرگرسیو (AR) و میانگین متحرک (MA) با PMM
• 85. تخمین پارامتر تفاضل‌گیری (d) در ARIMA با رویکرد PMM
• 86. شناسایی و انتخاب مرتبه مدل (p, d, q) با معیارهای PMM
• 87. معیارهای اطلاعاتی (AIC, BIC) با رویکرد PMM برای انتخاب مدل
• 88. آزمون‌های تشخیص مدل PMM-ARIMA: بررسی مانده‌ها
• 89. بررسی خواص آماری مانده‌ها (Residuals) در مدل‌های PMM-ARIMA
• 90. پیش‌بینی با مدل‌های ARIMA تخمین‌زده شده با PMM
• 91. ارزیابی دقت پیش‌بینی مدل‌های PMM-ARIMA
• 92. مطالعه موردی: تخمین ARIMA با PMM بر روی داده‌های مالی
• 93. مطالعه موردی: تخمین ARIMA با PMM بر روی داده‌های اقتصادی
• 94. مقایسه PMM با سایر رویکردهای مقاوم (مانند کوآنتیل رگرسیون)
• 95. مقایسه PMM با روش‌های مبتنی بر توزیع‌های پارامتری غیر نرمال خاص
• 96. شبیه‌سازی مونت کارلو برای ارزیابی عملکرد PMM
• 97. بررسی حساسیت PMM به اندازه نمونه و درجه عدم تقارن واقعی
• 98. تعمیم PMM به مدل‌های سری زمانی چندمتغیره
• 99. محدودیت‌ها و چالش‌های پژوهشی فعلی PMM
• 100. مسیرهای تحقیقاتی آینده در زمینه PMM و نوآوری‌های غیر نرمال