ممیزی سری های زمانی با استفاده از برآورد تابع درستنمایی ضرایب موجک های گسسته

منصوری, بهزاد; چینی پرداز, رحیم

ممیزی سری های زمانی با استفاده از برآورد تابع درستنمایی ضرایب موجک های گسسته

نوع مقاله : مقاله پژوهشی

نویسندگان

بهزاد منصوری ¹

رحیم چینی پرداز ²

¹ عضو هیات علمی دانشگاه شهید چمران اهواز

² دانشگاه شهیدچمران اهواز- دانشکده علوم ریاضی- گروه آمار

چکیده

در این مقاله نسبت درستنمایی توابع چگالی دو جامعه نرمال با استفاده از تبدیل موجکی گسسته تقریب زده شده و یک
معیار ناپارامتری برای ممیزی مدل های سری های زمانی ایستا در حوزه موجک ها پیشنهاد شده است. سپس با استفاده از روش های شبیه سازی کارایی معیار به دست آمده در ممیزی مدل های مختلف ARMA نشان داده شده است. عدم نیاز به مدل بندی پارامتری، سرعت محاسبات برای سری های زمانی بزرگ و نرخ خطای ممیزی پایین از ویژگی های معیار ممیزی موجکی می‌باشد.
در این مقاله نسبت درستنمایی توابع چگالی دو جامعه نرمال با استفاده از تبدیل موجکی گسسته تقریب زده شده و یک معیار ناپارامتری برای ممیزی مدل های سری های زمانی ایستا در حوزه موجک ها پیشنهاد شده است. سپس با استفاده از روش های شبیه سازی کارایی معیار به دست آمده در ممیزی مدل های مختلف ARMA نشان داده شده است. عدم نیاز به مدل بندی پارامتری، سرعت محاسبات برای سری های زمانی بزرگ و نرخ خطای ممیزی پایین از ویژگی های معیار ممیزی موجکی می‌باشد.

کلیدواژه‌ها

تبدیل موجک گسسته

ممیزی سری های زمانی

مدل های ARMA

موضوعات

عنوان مقاله English

Time series discrimination using likelihood function of discrete wavelet coefficients

نویسندگان English

Behzad Mansouri ¹

Rahim Chinipardaz ²

¹ Department of Statistics, Shahid Chamran University, Ahvaz, Iran

² Department of Statistics, Shahid Chamran University, Ahvaz, Iran

چکیده English

In this paper, the likelihood ratio of two normal density functions are approximated using discrete wavelet transform and a nonparametric criteria for discrimination of a stationary time series models in the wavelet domain are obtained. The performance of discriminant rule is shown in ARMA models using simulation techniques. In addition to do not requiring to parametric model, speed calculations for large time series and very low error rate are two characteristics of wavelet discriminate criteria.

In this paper, the likelihood ratio of two normal density functions are approximated using discrete wavelet transform and a nonparametric criteria for discrimination of a stationary time series models in the wavelet domain are obtained. The performance of discriminant rule is shown in ARMA models using simulation techniques. In addition to do not requiring to parametric model, speed calculations for large time series and very low error rate are two characteristics of wavelet discriminate criteria.

کلیدواژه‌ها English

Discrete wavelet transform

Discrimination of time series

ARMA models

Download Fulltext

[1] Shumway, R.H. and Stoffer, D.S. (2011). Time Series Analysis and Applications, Second Edition, Springer, New York. [2] Chan, H.T. (1991). Discriminant analysis of Time Series. Ph.D. Thesis, Newcastle University. [3] Chan, H.T., Chinipardaz, R. and

Cox, T.F. (1996). Discrimination of AR, MA and ARMA time series models, Comm. Stat. Theory and Method, 25(6), 1247-1260. [4] Chinipardaz, R. (2000). Discrimination analysis in AR(1) plus noise processes, Iranian Journal of Science & Technology, Trans.

, 24(2), 165-172. [5] Mansouri, B., Chinipardaz, R. and Parham, G. A. (2011). Discrimination analysis in AR(p) plus different noises processes. Iranian Journal of Since and Technology Transaction A: Since. 35. [6] Chinipardaz, R. and Cox, T.F. (2004).

Nonparametric discrimination of time series, Metrika, 59(1), 13-20. [7] Liget, W.S. (1971). On the asymptotic optimality of spectral analysis for testing hypotheses about time series, Annals of Math Stat, 42, 1348- 1358. [8] Shumway, R.H. and Unger, A.N. (1974). Linear discriminant function for stationary time series, J. Amer. Stat. Assoc., 69, 948-956