Représentation Moyenne Mobile Multivariée

Représentation moyenne mobile des approches autorégressives Nous étudions les propriétés d'une représentation MA infinie d'une approximation autorégressive pour un processus stationnaire et réellement évalué. Ce faisant, nous donnons une extension du théorème de Wieners dans l'ensemble de l'approximation déterministe. Dans le cas des données, nous pouvons utiliser ce nouveau résultat clé pour obtenir un aperçu de la structure des représentations MA infinies des modèles autorégressifs ajustés où l'ordre augmente avec la taille de l'échantillon. En particulier, nous donnons une limite uniforme pour estimer les coefficients de la moyenne mobile par une approximation autorégressive uniforme sur tous les nombres entiers. Auteur (s) Affiliation (s) du ou des auteurs Affiliation (s) Affiliation (s) (1) Département de statistique, Faculté (2) Département de la statistique et de la Faculté des Sciences de l'Université du Koweït, Safat, KOWEIT Rsum Résumé Les coefficients moyens à l'avancement sont en général différents de ceux correspondants de l'arrière - Coefficients moyens mobiles dans des séries chronologiques stationnaires multivariées. Il y a un manque de méthodes pratiques pour dériver des coefficients moyens de déplacement vers l'avant à partir des coefficients vers l'arrière. Dans cet article, nous établissons une nouvelle approche pratique pour l'obtention des coefficients de moyenne forward-moving pour les processus de moyenne mobile multivariée d'ordre un. Revue Titre du périodique Source Source 2010, vol. 39, no 3-5, pp. 729-737 9 page (s) (article) (14 p.) Langue Langue Editeur Editeur Taylor ampli Francis, Philadelphia, PA, ETATS-UNIS Soltani et Mohammadpour (2009) ont présenté un algorithme pour le meilleur interpolateur linéaire d'innovations non enregistrées dans des processus stationnaires à deux temps multivariés à temps discret. Dans cet article, nous développons une procédure d'interpolation pour les processus ARMA multivariés, en utilisant l'interpolation des innovations sous-jacentes. Dans ce cas, les coefficients du modèle et les données multivariées passées et futures sont les entrées de l'algorithme. Nous obtenons également une expression de forme fermée pour le meilleur interpolateur linéaire de valeur unique pour les modèles de séries temporelles MA (1) et AR (1).



























































Revue de la littérature de la République Démocratique du Congo: 831841. CrossRef, Web of Science Voir toutes les références) a observé que, en général, les coefficients de moyenne mobile vers l'arrière et vers l'avant, de façon correspondante, pour les processus stationnaires multivariés, diffèrent des processus univariés. Cela a stimulé des recherches concernant les dérivations des coefficients de moyenne mobile avant en termes de coefficients de moyenne mobile en arrière. Dans cet article nous développons une procédure pratique chaque fois que le processus sous-jacent est une moyenne mobile multivariée (ou univariée périodiquement corrélée) processus d'ordre fini. Notre procédure est basée sur deux observations clés: la réduction des ordres (Li, 20058. Li. LM (2005).Factorisation des densités spectrales moyennes mobiles par les représentations de l'espace d'état et l'empilement J. Multivariate Analyse 96. 425 438. CrossRef, Web of Science) et l'analyse du premier ordre (Mohammadpour et Soltani, 2010).Maurpour, M. Soltani, AR (2010), représentation moyenne mobile en amont pour les processus multivariables MA (1). 737. Taylor amp Francis En ligne, Web of Science Afficher toutes les références). Article Jan 2014 M. Mohammadpour A. R. Soltani