تعریف سری زمانی

در علوم مختلف، به یک توالی یا دنباله از متغیرهای تصادفی که در فاصله های زمانی ثابت نمونه برداری شده باشند، اصطلاحاً سری زمانی یا پیشامد تصادفی در مقطع زمان می‌گویند. به عبارت دیگر منظور از یک سری زمانی مجموعه‌ای از داده‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش‌های آماری ای که این گونه داده‌های آماری را مورد استفاده قرار می‌دهد مدل های تحلیل سری‌ زمانی نامیده می‌شود. مانند فروش فصلی یک شرکت طی سه سال گذشته. یک سری زمانی مجموعهٔ مشاهدات تصادفی ای است که بر اساس زمان مرتب شده باشند. مثال‌های آن در اقتصاد و حتی رشته‌های مهندسی دیده می‌شود.

روش‌های تحلیل

روش‌های تحلیل سری زمانی به دو دسته تقسیم می‌شوند: روش‌های دامنه فرکانس و روش‌های دامنه زمان. دسته اول شامل تحلیل طیفی و تحلیل موجک و دسته دوم شامل تحلیل‌های خودهمبستگی و همبستگی متقابل است.

افزون بر این می‌توان روش‌های تحلیل سری زمانی را به دو دسته پارامتری و ناپارامتری تقسیم کرد. در روش‌های پارامتری چنین انگاشته می‌شود که فرایند مانای احتمالاتی دارای ساختاری مشخص است که می‌توان آن را با تعداد اندکی پارامتر (از جمله با استفاده از مدل خودهمبسته یا میانگین متحرک) توصیف کرد. در این روش‌ها هدف تخمین پارامترهای مدلی است که فرایند احتمالاتی را توصیف می‌کند. در مقابل، روش‌های ناپارامتری صریحاً کوواریانس یا طیف فرایند را بدون در نظر گرفتن ساختاری مشخص برای آن تخمین می‌زنند. همچنین می‌توان روش‌های تحلیل سری زمانی را به دستهٔ روش‌های خطی و غیر خطی یا روش‌های تک‌متغیره و چندمتغیره تقسیم کرد.

فهرست مطالب:

روش‎های پیش بینی اقتصادی

فرآیند خود رگرسیون (AR)

فرآیند میانگین متحرک (MA)

فرآیند خود رگرسیون میانگین متحرک (ARMA)

فرآیند خود رگرسیون میانگین متحرک انباشته (ARIMA)

متدولوژی باکس- جنکینز

مرحله تشخیص

الگوهای نظری ACF و PACF

تخمین مدل ARIMA

کنترل تشخیصی

پیش بینی

جنبه ‎های دیگر از متدولوژی BJ

خود رگرسیون برداری (VAR)

برخی از مشکلات مدلسازی VAR

مدل VAR برای اقتصاد تگزاس

خلاصه و نتیجه ‎گیری