统计代写|时间序列分析代写Time-Series Analysis代考|VARMA spectral estimation

Doug I. Jones

Doug I. Jones

Lorem ipsum dolor sit amet, cons the all tetur adiscing elit

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题,请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中,是按时间顺序索引(或列出或绘制)的一系列数据点。最常见的是,一个时间序列是在连续的等距的时间点上的一个序列。因此,它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法,以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系,但这种类型的分析通常不被称为 “时间序列分析”,它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化,这种变化可能会影响基础变量。

couryes-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富,各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|VARMA spectral estimation

统计代写|时间序列分析代写Time-Series Analysis代考|VARMA spectral estimation

As shown in Chapter 2, the underlying vector time series process is often described by a vector autoregressive moving average (VARMA) model. Specifically, the $m$-dimensional VARMA process of order $p$ and $q, \operatorname{VARMA}(p, q)$ is given by
$$
\mathbf{Z}t=\boldsymbol{\theta}_0+\boldsymbol{\Phi}_1 \mathbf{Z}{t-1}+\ldots+\boldsymbol{\Phi}p \mathbf{Z}{t-p}+\mathbf{a}t-\boldsymbol{\Theta}_1 \mathbf{a}{t-1}-\ldots-\boldsymbol{\Theta}q \mathbf{a}{t-q},
$$
or
$$
\boldsymbol{\Phi}_p(B) \dot{\mathbf{Z}}_t=\boldsymbol{\Theta}_q(B) \mathbf{a}_t
$$
where $\dot{\boldsymbol{Z}}_t=\boldsymbol{Z}_t-\boldsymbol{\mu}, \mathbf{a}_t$ is a sequence of $m$-dimensional vector white noise process, VWN $(\mathbf{0}, \mathbf{\Sigma})$, and

$$
\begin{aligned}
& \boldsymbol{\Phi}p(B)=\mathbf{I}-\boldsymbol{\Phi}_1 B-\ldots-\boldsymbol{\Phi}_p B^p, \ & \boldsymbol{\Theta}_q(B)=\mathbf{I}-\boldsymbol{\Theta}_1 B-\ldots-\boldsymbol{\Theta}_q B^q . \end{aligned} $$ We assume that all zeros of $\left|\boldsymbol{\Phi}_p(B)\right|$ and $\left|\boldsymbol{\Theta}_q(B)\right|$ lie outside of the unit circle, so that we can also represent it as $$ \dot{\mathbf{Z}}_t=\boldsymbol{\Psi}(B) \mathbf{a}_t, $$ where $\boldsymbol{\Psi}(B)=\left[\boldsymbol{\Phi}_p(B)\right]^{-1} \boldsymbol{\Theta}_q(B)=\sum{j=0}^{\infty} \boldsymbol{\Psi}j B^j$ and the sequence $\boldsymbol{\Psi}_j$ is square summable. The spectral density matrix of $\operatorname{VARMA}(p, q)$ model is given by $$ \mathbf{f}(\omega)=\boldsymbol{\Psi}\left(e^{-i \omega}\right) \mathbf{\Sigma} \boldsymbol{\Psi}^\left(e^{-i \omega}\right), $$ where $\boldsymbol{\Psi}\left(e^{-i \omega}\right)=\sum{j=0}^{\infty} \boldsymbol{\Psi}j e^{-i \omega j}$, and $\boldsymbol{\Psi}^\left(e^{-i \omega}\right)$ is its conjugate transpose.
Given a vector time series of $n$ observations, $\mathbf{Z}=\left(\mathbf{Z}_1, \mathbf{Z}_2, \ldots, \mathbf{Z}_n\right)$, we will first build its $\operatorname{VARMA}(p, q)$ model including the estimation of its parameter matrices. Let $\hat{\boldsymbol{\mu}}=\overline{\mathbf{Z}}$, $\hat{\boldsymbol{\Phi}}_1, \ldots, \hat{\boldsymbol{\Phi}}_p, \hat{\boldsymbol{\Theta}}_1, \ldots, \hat{\boldsymbol{\Theta}}_q$ and $\hat{\boldsymbol{\Sigma}}$ be the corresponding estimates of the parameter matrices. We have
$$
\widehat{\dot{\boldsymbol{Z}}}_t=\hat{\boldsymbol{\Psi}}(B) \boldsymbol{a}_t,
$$
where $\hat{\dot{Z}}_t=\boldsymbol{Z}_t-\overline{\boldsymbol{Z}}, \hat{\boldsymbol{\Psi}}(B)=\sum{s=0}^{\infty} \hat{\mathbf{\Psi}}s B^s=\left[\mathbf{I}-\hat{\mathbf{\Phi}}_1 B-\ldots-\hat{\boldsymbol{\Phi}}_p B^p\right]^{-1}\left[\mathbf{I}-\hat{\boldsymbol{\Theta}}_1 B-\ldots-\hat{\boldsymbol{\Theta}}_q B^q\right]$, and $\mathbf{a}_t$ is a sequence of $m$-dimensional vector white noise, $\operatorname{VWN}(\mathbf{0}, \hat{\boldsymbol{\Sigma}})$. Then, the spectral density matrix estimation of the underlying process is given by $$ \hat{\mathbf{f}}(\omega)=\hat{\boldsymbol{\Psi}}\left(e^{-i \omega}\right) \hat{\mathbf{\Sigma}} \hat{\boldsymbol{\Psi}}^*\left(e^{-i \omega}\right), $$ where $$ \begin{aligned} \hat{\boldsymbol{\Psi}}\left(e^{-i \omega}\right) & =\sum{j=0}^{\infty} \hat{\boldsymbol{\Psi}}_j e^{-i \omega j} \
& =\left[\hat{\boldsymbol{\Phi}}_p\left(e^{-i \omega}\right)\right]^{-1} \hat{\boldsymbol{\Theta}}_q\left(e^{-i \omega}\right) \
& =\left[\left(\mathbf{I}-\hat{\boldsymbol{\Phi}}_1 e^{-i \omega}-\ldots-\hat{\boldsymbol{\Phi}}_p e^{-i \omega p}\right)\right]^{-1}\left[\left(\mathbf{I}-\hat{\boldsymbol{\Theta}}_1 e^{-i \omega}-\ldots-\hat{\boldsymbol{\Theta}}_q e^{-i \omega q}\right)\right] .
\end{aligned}
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Sample spectrum

Example 9.3(a) Based on the given five-dimensional vector time series $\mathbf{Z}t=\left[Z{1, t}, Z_{2, t}, \ldots\right.$, $\left.Z_{5, t}\right]^{\prime}$ for $t=1,2, \ldots, 89$, we can compute its sample covariance matrix function, $\hat{\boldsymbol{\Gamma}}(k)=\left[\hat{\gamma}{i, j}(k)\right]$. Then, the sample spectral matrix is given by $$ \widetilde{\mathbf{f}}\left(\omega_j\right)=\frac{1}{2 \pi} \sum{k=-88}^{88} \hat{\boldsymbol{\Gamma}}(k) e^{-i \omega_j k}=\left[\widetilde{f}{i, j}\left(\omega_j\right)\right], $$ where the $\omega_j=2 \pi j / 89$ are Fourier frequencies. Let us first examine the sample spectrum of each series, which as shown in Wei (2006) and Priestley (1981) can be used to test hidden periodic components. They are displayed in Figure 9.2 and they are noisy. So, we will compute a smoothed kernel sample spectrum matrix $$ \hat{\mathbf{f}}(\omega)=\left[\hat{f}{i, j}(\omega)\right]
$$
where
$$
\hat{f}{i, j}\left(\omega_p\right)=\sum{k=-M}^M W\left(\omega_k\right) \widetilde{f}{i, j}\left(\omega_p-\omega_k\right), $$ where $W(\omega)$ is a spectral window, and $M$ is the corresponding bandwidth. Let us simply consider Daniell’s window, that is, $$ \hat{\mathbf{f}}\left(\omega_p\right)=\frac{1}{2 M+1} \sum{k=-M}^M \widetilde{\mathbf{f}}\left(\omega_p-\omega_k\right)=\left[\hat{f}_{i, j}\left(\omega_p\right)\right],
$$
where
$$
\hat{f}{i, j}\left(\omega_p\right)=\frac{1}{2 M+1} \sum{k=-M}^M \widetilde{f}_{i, j}\left(\omega_p-\omega_k\right) .
$$

统计代写|时间序列分析代写Time-Series Analysis代考|VARMA spectral estimation

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|VARMA spectral estimation

如第2章所示,底层向量时间序列过程通常由向量自回归移动平均(VARMA)模型描述。具体来说,$p$和$q, \operatorname{VARMA}(p, q)$阶的$m$维VARMA过程由式给出
$$
\mathbf{Z}t=\boldsymbol{\theta}_0+\boldsymbol{\Phi}_1 \mathbf{Z}{t-1}+\ldots+\boldsymbol{\Phi}p \mathbf{Z}{t-p}+\mathbf{a}t-\boldsymbol{\Theta}_1 \mathbf{a}{t-1}-\ldots-\boldsymbol{\Theta}q \mathbf{a}{t-q},
$$

$$
\boldsymbol{\Phi}_p(B) \dot{\mathbf{Z}}_t=\boldsymbol{\Theta}_q(B) \mathbf{a}_t
$$
其中$\dot{\boldsymbol{Z}}_t=\boldsymbol{Z}_t-\boldsymbol{\mu}, \mathbf{a}_t$是$m$维矢量白噪声过程的序列,VWN $(\mathbf{0}, \mathbf{\Sigma})$,和

$$
\begin{aligned}
& \boldsymbol{\Phi}p(B)=\mathbf{I}-\boldsymbol{\Phi}_1 B-\ldots-\boldsymbol{\Phi}_p B^p, \ & \boldsymbol{\Theta}_q(B)=\mathbf{I}-\boldsymbol{\Theta}_1 B-\ldots-\boldsymbol{\Theta}_q B^q . \end{aligned} $$ 我们假设$\left|\boldsymbol{\Phi}_p(B)\right|$和$\left|\boldsymbol{\Theta}_q(B)\right|$的所有零都在单位圆之外,因此我们也可以将其表示为$$ \dot{\mathbf{Z}}_t=\boldsymbol{\Psi}(B) \mathbf{a}_t, $$,其中$\boldsymbol{\Psi}(B)=\left[\boldsymbol{\Phi}_p(B)\right]^{-1} \boldsymbol{\Theta}_q(B)=\sum{j=0}^{\infty} \boldsymbol{\Psi}j B^j$和序列$\boldsymbol{\Psi}_j$是平方可和的。$\operatorname{VARMA}(p, q)$模型的谱密度矩阵由$$ \mathbf{f}(\omega)=\boldsymbol{\Psi}\left(e^{-i \omega}\right) \mathbf{\Sigma} \boldsymbol{\Psi}^\left(e^{-i \omega}\right), $$给出,其中$\boldsymbol{\Psi}\left(e^{-i \omega}\right)=\sum{j=0}^{\infty} \boldsymbol{\Psi}j e^{-i \omega j}$, $\boldsymbol{\Psi}^\left(e^{-i \omega}\right)$为其共轭转置。
给定$n$观测值的向量时间序列$\mathbf{Z}=\left(\mathbf{Z}_1, \mathbf{Z}_2, \ldots, \mathbf{Z}_n\right)$,我们将首先构建其$\operatorname{VARMA}(p, q)$模型,包括其参数矩阵的估计。设$\hat{\boldsymbol{\mu}}=\overline{\mathbf{Z}}$, $\hat{\boldsymbol{\Phi}}_1, \ldots, \hat{\boldsymbol{\Phi}}_p, \hat{\boldsymbol{\Theta}}_1, \ldots, \hat{\boldsymbol{\Theta}}_q$, $\hat{\boldsymbol{\Sigma}}$为参数矩阵的相应估计。我们有
$$
\widehat{\dot{\boldsymbol{Z}}}_t=\hat{\boldsymbol{\Psi}}(B) \boldsymbol{a}_t,
$$
其中$\hat{\dot{Z}}_t=\boldsymbol{Z}_t-\overline{\boldsymbol{Z}}, \hat{\boldsymbol{\Psi}}(B)=\sum{s=0}^{\infty} \hat{\mathbf{\Psi}}s B^s=\left[\mathbf{I}-\hat{\mathbf{\Phi}}_1 B-\ldots-\hat{\boldsymbol{\Phi}}_p B^p\right]^{-1}\left[\mathbf{I}-\hat{\boldsymbol{\Theta}}_1 B-\ldots-\hat{\boldsymbol{\Theta}}_q B^q\right]$, $\mathbf{a}_t$为$m$维矢量白噪声序列,$\operatorname{VWN}(\mathbf{0}, \hat{\boldsymbol{\Sigma}})$。然后,底层过程的谱密度矩阵估计由$$ \hat{\mathbf{f}}(\omega)=\hat{\boldsymbol{\Psi}}\left(e^{-i \omega}\right) \hat{\mathbf{\Sigma}} \hat{\boldsymbol{\Psi}}^*\left(e^{-i \omega}\right), $$给出,其中 $$ \begin{aligned} \hat{\boldsymbol{\Psi}}\left(e^{-i \omega}\right) & =\sum{j=0}^{\infty} \hat{\boldsymbol{\Psi}}_j e^{-i \omega j} \
& =\left[\hat{\boldsymbol{\Phi}}_p\left(e^{-i \omega}\right)\right]^{-1} \hat{\boldsymbol{\Theta}}_q\left(e^{-i \omega}\right) \
& =\left[\left(\mathbf{I}-\hat{\boldsymbol{\Phi}}_1 e^{-i \omega}-\ldots-\hat{\boldsymbol{\Phi}}_p e^{-i \omega p}\right)\right]^{-1}\left[\left(\mathbf{I}-\hat{\boldsymbol{\Theta}}_1 e^{-i \omega}-\ldots-\hat{\boldsymbol{\Theta}}_q e^{-i \omega q}\right)\right] .
\end{aligned}
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Sample spectrum

例9.3(a)基于给定的五维矢量时间序列 $\mathbf{Z}t=\left[Z{1, t}, Z_{2, t}, \ldots\right.$, $\left.Z_{5, t}\right]^{\prime}$ 为了 $t=1,2, \ldots, 89$,我们可以计算它的样本协方差矩阵函数, $\hat{\boldsymbol{\Gamma}}(k)=\left[\hat{\gamma}{i, j}(k)\right]$. 则,样本光谱矩阵由 $$ \widetilde{\mathbf{f}}\left(\omega_j\right)=\frac{1}{2 \pi} \sum{k=-88}^{88} \hat{\boldsymbol{\Gamma}}(k) e^{-i \omega_j k}=\left[\widetilde{f}{i, j}\left(\omega_j\right)\right], $$ 在哪里? $\omega_j=2 \pi j / 89$ 是傅里叶频率。让我们首先检查每个系列的样本光谱,如Wei(2006)和Priestley(1981)所示,可以用来测试隐藏的周期成分。如图9.2所示,噪声很大。因此,我们将计算一个平滑的核样本频谱矩阵 $$ \hat{\mathbf{f}}(\omega)=\left[\hat{f}{i, j}(\omega)\right]
$$
在哪里
$$
\hat{f}{i, j}\left(\omega_p\right)=\sum{k=-M}^M W\left(\omega_k\right) \widetilde{f}{i, j}\left(\omega_p-\omega_k\right), $$ 在哪里 $W(\omega)$ 是光谱窗,又是 $M$ 对应的带宽。让我们简单地考虑丹尼尔的窗口,也就是说, $$ \hat{\mathbf{f}}\left(\omega_p\right)=\frac{1}{2 M+1} \sum{k=-M}^M \widetilde{\mathbf{f}}\left(\omega_p-\omega_k\right)=\left[\hat{f}{i, j}\left(\omega_p\right)\right], $$ 在哪里 $$ \hat{f}{i, j}\left(\omega_p\right)=\frac{1}{2 M+1} \sum{k=-M}^M \widetilde{f}{i, j}\left(\omega_p-\omega_k\right) .
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题,以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法,其中不假设数据来自于由少数参数决定的规定模型;这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型(GLM)归属统计学领域,是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型(GLM)通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归,以及方差分析和方差分析(仅含固定效应)。

有限元方法代写

有限元方法(FEM)是一种流行的方法,用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法,用于解决两个或三个空间变量的偏微分方程(即一些边界值问题)。为了解决一个问题,有限元将一个大系统细分为更小、更简单的部分,称为有限元。这是通过在空间维度上的特定空间离散化来实现的,它是通过构建对象的网格来实现的:用于求解的数值域,它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统,以模拟整个问题。然后,有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构,多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务,包括但不限于Essay代写,Assignment代写,Dissertation代写,Report代写,小组作业代写,Proposal代写,Paper代写,Presentation代写,计算机作业代写,论文修改和润色,网课代做,exam代考等等。写作范围涵盖高中,本科,研究生等海外留学全阶段,辐射金融,经济学,会计学,审计学,管理学等全球99%专业科目。写作团队既有专业英语母语作者,也有海外名校硕博留学生,每位写作老师都拥有过硬的语言能力,专业的学科背景和学术写作经验。我们承诺100%原创,100%专业,100%准时,100%满意。

随机分析代写


随机微积分是数学的一个分支,对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程,是依赖于参数的一组随机变量的全体,参数通常是时间。 随机变量是随机现象的数量表现,其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值(如1秒,5分钟,12小时,7天,1年),因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中,往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录,以得到其自身发展的规律。

回归分析代写

多元回归分析渐进(Multiple Regression Analysis Asymptotics)属于计量经济学领域,主要是一种数学上的统计分析方法,可以分析复杂情况下各影响因素的数学关系,在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中,其中问题和解决方案以熟悉的数学符号表示。典型用途包括:数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发,包括图形用户界面构建MATLAB 是一个交互式系统,其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题,尤其是那些具有矩阵和向量公式的问题,而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问,这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展,得到了许多用户的投入。在大学环境中,它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域,MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要,工具箱允许您学习应用专业技术。工具箱是 MATLAB 函数(M 文件)的综合集合,可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

Days
Hours
Minutes
Seconds

hurry up

15% OFF

On All Tickets

Don’t hesitate and buy tickets today – All tickets are at a special price until 15.08.2021. Hope to see you there :)