Regression Models for Time Series Analysis - Benjamin Kedem

"Regression Models for Time Series Analysis" - это книга, которая представляет полный обзор самых современных методов регрессии в анализе временных рядов. Методы регрессии являются неотъемлемой частью анализа временных рядов уже более столетия. В последнее время были сделаны значительные прорывы в таких областях, как непрерывные данные, где линейная модель не является подходящей. Эта книга знакомит читателя с новейшими разработками и более разнообразными моделями и методами регрессии для анализа временных рядов. Она доступна для любого, кто знаком с основными современными концепциями статистического вывода и предлагает долгожданное исследование последних статистических разработок. В числе них важный класс моделей, известных как обобщенные линейные модели (GLM), которые, при определенных условиях, предоставляют единую теорию регрессии, подходящую для непрерывных, категориальных и счетных данных. Авторы систематически расширяют методологию GLM на временные ряды, где основные и побочные данные являются случайными и стохастически зависимыми. Они знакомят читателей с различными моделями регрессии, разработанными за последние тридцать лет, и подводят итоги классических и более новых результатов, касающихся моделей пространства состояний. В заключение, они представляют байесовский подход к прогнозированию и интерполяции в пространственных данных, приспособленный к временным рядам, которые могут быть короткими и/или нерегулярно наблюдаемыми. Реальные приложения данных и дополнительные результаты представлены во всей книге в виде задач и дополнений к главам. Особое внимание уделяется следующим аспектам: * Важные последние разработки в фильтрации Калмана, динамических GLM и моделировании пространства состояний * Связанные вычислительные вопросы, такие как цепи Маркова, метод Монте-Карло и EM-алгоритм * Прогнозирование и интерполяция * Стационарные процессы

Книга "Общие методы регрессии для временного анализа", Б. Кедем. В настоящее время методы регрессионного анализа являются неотъемлемой частью по изучению временных рядов, и они применяются уже более века. В последнее время, развиваются новые метода, особенно для данных, которые не имеют непрерывного значения. В этой книге автор знакомит с новейшими моделями и даёт обзор методов регрессионных моделей для анализа временных данных. Автор делает акцент на классическое понятие самой простой формы модели, объединенной регрессий (GIL). Методы GM для постоянного, категориального и счетного данных успешно функционируют в этой схеме. Автор систематично проводит общее моделирование и разрабатывает его для временных рядов. Стратегия визуализации включает анализ разнообразных регрессиони при помощи наблюдений моделей за последние тридцать лет, а также основные и новейшие результаты касательно анализа состояния системы. Для решения прогнозирования и интерполяции в пространственных данных автор применяет долгосрочные методы, вначале собирая данные и обнаруживая изменения графиков. Применяя стандартные проблемы, автор объединяет данные исследования и демонстрирует самые новые результаты. В книге описаны: • основные нововведения в моделировании Каплана, динамических GM и моделировании состояния • Влияние вычислительных сложностей, как использование цепи Маркова и алгоритм Монте-Карло • Поддержка прогнозирования и интерполирования • Статистические процессы

Эта книга представляет собой углубленный обзор новейших методов регрессии в анализе временных рядов. В последнее время в таких областях, как работа с неконтинуальными данными, где линейная модель не подходит, наблюдается большое развитие. Книга познакомит читателей с новыми разработками и диверсифицированными методами регрессионного анализа во временных рядах. Доступна для всех, кто знаком с базовыми современными понятиями статистической интерпретации. Автоматизация моделей для анализа временных рядов предоставляет давно ожидаемый анализ недавних статистических разработок. Основное место занимает класс моделей, известных как обобщенные линейные модели, что обеспечивает унифицированную теорию регрессии, применимую к непрерывным, категориальным и частотным данным. Авторы систематически расширяют методологию GLM к временным рядам, где основная информация и данные являются случайными и стохастически зависимыми. Они представляют читателям различные модели регрессии разработанные за последние тридцать лет или около того и суммируют классические и более новые результаты, касающиеся моделей состояния. Завершают они представлением байесовского подхода к прогнозированию и интерполяции пространственных данных, адаптированных к временным рядам которые могут быть короткими и/или нерегулярно наблюдаемыми. Приложения реальных данных и дополнительные результаты представлены на протяжении книги через проблемы глав и дополнения. Примечательно, книга затрагивает: • Важные последние разработки в фильтрах Калмана, динамических GLM и моделировании состояния • Связанные вычислительные проблемы такие как цепь Маркова, Монти Карло и алгоритм EM • Прогнозирование и интерполяцию • Стационарные процессы.

Электронная Книга «Regression Models for Time Series Analysis» написана автором Benjamin Kedem в году.

Минимальный возраст читателя: 0

Язык: Английский

ISBN: 9780471461685

A thorough review of the most current regression methods in time series analysis Regression methods have been an integral part of time series analysis for over a century. Recently, new developments have made major strides in such areas as non-continuous data where a linear model is not appropriate. This book introduces the reader to newer developments and more diverse regression models and methods for time series analysis. Accessible to anyone who is familiar with the basic modern concepts of statistical inference, Regression Models for Time Series Analysis provides a much-needed examination of recent statistical developments. Primary among them is the important class of models known as generalized linear models (GLM) which provides, under some conditions, a unified regression theory suitable for continuous, categorical, and count data. The authors extend GLM methodology systematically to time series where the primary and covariate data are both random and stochastically dependent. They introduce readers to various regression models developed during the last thirty years or so and summarize classical and more recent results concerning state space models. To conclude, they present a Bayesian approach to prediction and interpolation in spatial data adapted to time series that may be short and/or observed irregularly. Real data applications and further results are presented throughout by means of chapter problems and complements. Notably, the book covers: * Important recent developments in Kalman filtering, dynamic GLMs, and state-space modeling * Associated computational issues such as Markov chain, Monte Carlo, and the EM-algorithm * Prediction and interpolation * Stationary processes