이동 평균 모델 매개 변수 추정

1 차 조건을 풀어 낸다. 우리는 비선형 방정식을 얻는다. 이것은 명백하게 풀릴 수 없다. 최소화 문제 11 27 일반적으로 수치 최적화 방법을 구현한다. 최소 제곱 추정량은 점근 적으로 효율적이며 점근 적으로 최대 우도와 동일한 성질을 갖는다. ML 다음에서 우리는 AR 표현과 함께 고정적이고 가역적 인 ARMA 과정을 가정한다. 최대 우도 추정은 분포 가정을 암시한다. 그 다음에 밀도가있는 다 변수 정규 분포를 가지며, 11 24에 주어진 공분산 행렬과 우도 함수는 주어진 관측치에 대한 매개 변수 벡터의 함수로 해석되는 밀도 함수입니다. 즉, 주어진 관측치에 대한 우도 함수를 최대화하는 각각의 매개 변수 벡터를 선택합니다. 즉 ML 추정기는에 의해 정의됩니다. 우도 함수의 로그 정규 분포 가정 log-likelihood 함수 11 29는 또한 정확한 대수 우도 함수 (log-likelihood function)라고도합니다. 특히 행렬의 역행렬과 행렬식의 계산이 long 시간 계열 따라서 정확한 확률에 대한 근사값을 종종 구합니다. 이는 장시간 시리즈에 유용합니다. 하나의 가능성은 조건부 분포를 사용합니다. 정규 분포의 가정 하에서 조건부 분포는 기대 값과 함께 정상입니다..by의 근사값은 조건부 대수 우도 함수입니다. 데이터에서 계산할 수 있으며 매개 변수와 관련하여 최적화 할 수 있습니다. 수치 최적화 알고리즘의 초기 값으로 예를 들어 Yule-Walker 추정량을 사용할 수 있습니다 추정 자들은 MA 1 과정을 고려하여 조건부 확률과 조건부 확률을 비교한다. 행렬은 다음과 같다. band 대각선과 대각선 위의 대각선과 대각선 위와 아래 대각선에있는 프로세스의 두 가지 실현 그림 11에 프로세스 7이 표시되어 있습니다. 프로세스에 하나의 매개 변수 만 있으므로 지역 -1,1에서 간단히 검색 할 수 있습니다. 그림 11 8과 11 9의 두 견적가에 대해 모두 보여진다. 프로세스의 경우 두 가능성 함수 사이에 명확한 불일치가있다. 무시할 수있다. 두 경우 모두 견적가는 실제 매개 변수 0에 매우 가깝다. 위와 아래의 N을 갖는 MA 1 과정. 그림 11에서 MA 1 과정에 대한 정확한 단색 및 조건부 대시 우도 함수. 참 매개 변수는 다음과 같습니다. 그림 1에서 MA 1 프로세스에 대한 정확한 단색 및 조건부 대시 우도 함수 11 7 with true 매개 변수입니다. 몇 가지 기술적 인 가정하에 ML 추정은 일관성 있고, 점근 적으로 효율적이며, 피셔 정보 매트릭스를 사용하여 점근선 정규 분포를가집니다. l ikelihood 함수는 자주 수치 적 방법을 사용합니다. 최대 값은 필요한 조건입니다. 예를 들어, Yule-Walker 추정량과 Taylor approximation. grad grad Hess. one과 같은 초기 값을 선택하면 다음 관계식을 얻습니다. 즉각적으로 헤 시안 행렬의 기대치, 즉 11 31의 정보 행렬을 사용하는 것이 더 쉽다. 회귀 모형의 회귀 모델에서의 최소 제곱 추정 회귀 분석에서 상관 오류의 문제를 다루기 위해, 오류가 고정 자동 회귀 이동 평균 시계열을 따르는 모델을 제안합니다. 회귀 분석과 시계열 매개 변수의 동시 최소 자승 추정이 논의되며, 오류 자체가 정상인지 여부에 관계없이이 방식으로 얻은 견적은 점근 적으로 정규 분포를 갖는다. 분산 된 회귀 매개 변수의 추정치는 상관 관계가없는 특정 변형 된 모델에서 발생한 것처럼 분포 된 시계열 매개 변수의 추정치와 비 상관됩니다. 반면에 후자는 다음과 같은 고정 된 계열의 공분산 행렬과 같습니다. 결정적 요소 없음 분산의 추정은 또한 점근 적으로 정상입니다. Monte Carlo 샘플링 연구는 이러한 결과가 중간 크기의 샘플에 대한 유용한 근사값으로 사용될 수 있음을 나타냅니다. Oxford University Press. 2 차원 이동 평균 모델 파라미터 추정을위한 새로운 방법. 이 논문은 2 차원 2 차원 이동 평균 MA 모델 파라미터 추정을 지원하는 인과 적 쿼터 플레인 영역에 대한 새로운 방법을 제시한다. 새로운 접근법은 2-D AR 모델에 의한 2-D MA의 근사이 목적을 달성하기 위해, 대응 관계가 2-D 경우까지 확장되고 관련 알고리즘이 제시된다. 이 방법에서, MA 모델을 갖는 2-D 시리즈는 2 차원 AR 모델과 2 차원 MA 모델의 파라미터 사이의 관계를 구하고 최종적으로 2 차원 AR 모델과 2 차원 MA 모델의 파라미터 사이의 관계를 구하고 최종적으로 AR 모델의 파라미터를 구한다. 이 관계를 이용하여 2-D MA 모델의 파라미터를 얻는다. 제안 된 방법은 복잡하고 시간 소모적 인 행렬 연산을 필요로하지 않기 때문에 계산 상 효율적이다. 제시된 방법은 또한 표준 편차와 평균값의 정확도가 좋다. h 추가 된 저자 정보. Mahdi Zeinali. Mahdi Zeinali는 2001 년 Tabriz의 Sahand University of Technology에서 제어 공학 학사 학위를, 2001 년에는 석사 학위를 받았습니다. 2004 년이란, 테헤란 Sharif 공과 대학에서 제어 공학 학위를 취득했습니다. 현재 Amirkabir University of Tehran Polytechnic, 이란 제어 시스템 엔지니어링 부서에서 박사 학위를 받고 있습니다. 그는 7 개 이상의 연구 논문 그의 관심사는 다차원 MD 시스템, 시스템 식별 및 디지털 신호 처리 분야입니다. 2 차원 이동 평균 모델 매개 변수 추정을위한 새로운 방법입니다. 2 차원 이동 평균 모델 매개 변수 추정을위한 새로운 방법입니다. 사람들은 또한 주제별로 저널 찾아보기.