การย้าย ค่าเฉลี่ย แบบ พารามิเตอร์ ประมาณการ

การแก้ปัญหาเงื่อนไขลำดับแรกเราได้สมการไม่เชิงเส้นสำหรับซึ่งไม่สามารถแก้ปัญหาได้อย่างชัดเจนสำหรับปัญหาการลดขนาด 11 27 มักใช้วิธีการเพิ่มประสิทธิภาพเชิงตัวเลขวิธีการประมาณค่ากำลังสองน้อยที่สุดคือสมรรถนะ asymptotically และมี asymptotically สมบัติเดียวกับความเป็นไปได้สูงสุด ML estimator ในต่อไปนี้เราถือว่า ARMA คงที่และกระบวนการคว่ำ ARMA กับการแสดง AR ค่าประมาณความเป็นไปได้สูงสุดหมายถึงสมมติฐานการกระจายซึ่งมีการแจกแจงแบบหลายตัวแปรหลายตัวแปรที่มีความหนาแน่นด้วยเมทริกซ์ความแปรปรวนร่วมซึ่งมีค่าเท่ากับ 11 24 และ เวกเตอร์พารามิเตอร์ฟังก์ชันความน่าจะเป็นฟังก์ชันความหนาแน่นตีความเป็นฟังก์ชันของเวกเตอร์พารามิเตอร์สำหรับการสังเกตที่ได้รับเช่นหนึ่งเลือกพาราเวสเตอร์ค่าที่เกี่ยวข้องซึ่งจะเพิ่มฟังก์ชันความเป็นไปได้สำหรับการสังเกตที่ได้รับเช่นค่าประมาณ ML ถูกกำหนดโดยภายใต้ สมมติฐานของการกระจายปกติลอการิทึมของ functability ion. takes ในรูปแบบง่ายๆโดยไม่ต้องเปลี่ยน maximizer ฟังก์ชั่น log-likelihood 11 29 เรียกอีกอย่างว่าฟังก์ชัน log-likelihood หนึ่งสังเกตว่าโดยเฉพาะอย่างยิ่งการคำนวณของผกผันและปัจจัยกำหนดของเมทริกซ์มีส่วนเกี่ยวข้องมากสำหรับยาว time series ดังนั้นจึงมักเป็นรูปแบบใกล้เคียงกับความเป็นไปได้ที่แน่นอนซึ่งเป็นสิ่งที่ดีสำหรับชุดเวลานานความเป็นไปได้อย่างหนึ่งคือการใช้การแจกแจงตามเงื่อนไขภายใต้สมมติฐานของการแจกแจงแบบปกติการแจกแจงแบบเงื่อนไขเป็นปกติโดยมีค่าที่คาดหวัง การประมาณของ by. by กลายเป็นฟังก์ชั่น log-likelihood ที่มีเงื่อนไขสามารถคำนวณได้จากข้อมูลและปรับให้เหมาะกับพารามิเตอร์เป็นค่าเริ่มต้นสำหรับขั้นตอนการเพิ่มประสิทธิภาพเชิงตัวเลขวิธีประมาณค่าของ Yule-Walker สามารถใช้ยกเว้นเฉพาะ กรณีของการขาดประสิทธิภาพ asymptotic เมื่อต้องการเปรียบเทียบที่แน่นอนและ estimators ความเป็นไปได้เงื่อนไขพิจารณา MA 1 กระบวนการ 11 25 กับและ N Matrix คือ เส้นทแยงมุมกับองค์ประกอบบนเส้นทแยงมุมและเส้นทแยงมุมทั้งบนและล่างมันสอง realizations ของกระบวนการด้วยและจะแสดงในรูปที่ 11 7 เนื่องจากกระบวนการมีเพียงหนึ่งพารามิเตอร์หนึ่งสามารถค้นหาในภูมิภาค -1,1 นี่คือ แสดงให้เห็นทั้งตัวประมาณในรูปที่ 11 8 และ 11 9 สำหรับกระบวนการที่ยังคงเห็นความแตกต่างอย่างชัดเจนระหว่างฟังก์ชั่นที่น่าจะเป็นไปได้ซึ่งสามารถถูกละเลยทั้งสองตัวประมาณอยู่ใกล้กับพารามิเตอร์จริง 0 5.Fig สองครั้ง กระบวนการ MA 1 กับ, N, ข้างต้นและด้านล่างฟังก์ชัน Fig ฟังก์ชันที่เป็นไปได้ที่เป็นไปได้ของ solid และ conditional dashed likelihood สำหรับกระบวนการ MA 1 จากรูปที่ 11 7 ด้วยพารามิเตอร์ที่แท้จริงคือ. Fig ฟังก์ชันที่เป็นไปได้ของ solid และ conditional dashed likelihood สำหรับกระบวนการ MA1 จากรูป 11 7 กับพารามิเตอร์ที่แท้จริงอยู่ภายใต้สมมติฐานทางเทคนิคบางตัวประมาณ ML มีความสม่ำเสมอที่มีประสิทธิภาพ asymptotically และมีการกระจายปกติ asymptotic กับ Fisher ข้อมูลเมทริกซ์สำหรับการเพิ่มประสิทธิภาพของ l ikelihood function หนึ่งใช้วิธีการเชิงตัวเลขเป็นจำนวนมากเงื่อนไขที่จำเป็นสำหรับ maximum is. with โดยการเลือกค่าเริ่มต้นตัวอย่างเช่น estimator Yule-Walker และเทย์เลอร์ approximation. grad grad Hess. one ได้รับความสัมพันธ์ดังต่อไปนี้เนื่องจากโดยทั่วไปไม่ได้ ทันทีตีพารามิเตอร์เพิ่มหนึ่งสร้าง iteration. with จนถึง convergence ถึงเช่นมักจะง่ายต่อการใช้ความคาดหวังของเมทริกซ์ Hessian นั่นคือข้อมูลจาก 11 31.Least สแควร์สประมาณในแบบจำลองการถดถอยด้วย autoregressive-moving average errors เพื่อศึกษาปัญหาข้อผิดพลาดที่มีความสัมพันธ์ในการถดถอยซึ่งเป็นแบบจำลองที่มีข้อผิดพลาดเกิดขึ้นตามช่วงเวลาโดยเฉลี่ยที่เคลื่อนที่อัตโนมัติแบบอัตถดถอยแนะนำให้ใช้การประมาณสมการถดถอยอย่างน้อยที่สุดพร้อมกันของสมการถดถอยและอธิบายถึงพารามิเตอร์ของชุดข้อมูลอนุกรมเวลา แสดงให้เห็นว่าการประมาณการในรูปแบบนี้มีการแจกแจงแบบปกติไม่ว่าจะเป็นข้อผิดพลาดหรือไม่ก็ตาม ly distribution ค่าประมาณของพารามิเตอร์การถดถอยจะไม่สัมพันธ์กับค่าพารามิเตอร์ของชุดข้อมูลในอดีตที่มีการแจกจ่ายราวกับว่าเกิดขึ้นจากรูปแบบที่เปลี่ยนรูปแบบบางส่วนที่มีข้อผิดพลาดที่ไม่ได้เชื่อมโยงกันในขณะที่หลังมีเมทริกซ์ความแปรปรวนเหมือนกันจากแบบคงที่ด้วย ไม่มีการกำหนดองค์ประกอบการประมาณค่าความแปรปรวนก็เป็นแบบอย่างการสุ่มตัวอย่างแบบปกติแบบมอนติคาร์โลซึ่งแสดงให้เห็นว่าผลลัพธ์เหล่านี้สามารถใช้เป็นค่าประมาณที่เป็นประโยชน์สำหรับกลุ่มตัวอย่างขนาดปานกลาง Oxford University Press. A วิธีการใหม่สำหรับการประมาณค่าพารามิเตอร์แบบเคลื่อนไหวเฉลี่ย 2 มิติเอกสารฉบับนี้นำเสนอวิธีการใหม่สำหรับภาคสนามเชิงสาเหตุของการสนับสนุนการประมาณค่าพารามิเตอร์แบบโมบาย 2 มิติแบบ 2 มิติโดยใช้วิธีการใหม่ ประมาณ 2-D โดยรูปแบบ AR 2-D เพื่อให้บรรลุจุดมุ่งหมายนี้ความสัมพันธ์ที่สอดคล้องกันจะขยายไปสู่กรณี 2-D และใช้ขั้นตอนวิธีที่เกี่ยวข้องในวิธีนี้ชุด 2 มิติที่มีรูปแบบ MA ได้รับ โดยประมาณโดยโมเดล 2-D AR ที่มีลำดับสูงกว่าและพารามิเตอร์ของรูปแบบ AR จะประมาณด้วยวิธีการใหม่ที่นำเสนอแล้วความสัมพันธ์ระหว่างพารามิเตอร์ของ 2-D AR และรูปแบบ MA 2-D จะได้รับและสุดท้าย โดยใช้ความสัมพันธ์นี้จะได้รับค่าพารามิเตอร์ของรูปแบบ MA 2-D เนื่องจากวิธีการที่นำเสนอไม่เกี่ยวข้องกับการคำนวณเมทริกซ์แบบซับซ้อนและใช้เวลานานจึงเป็นวิธีที่มีประสิทธิภาพทางคอมพิวเตอร์วิธีการนำเสนอยังมีความถูกต้องแม่นยำในส่วนเบี่ยงเบนมาตรฐานและค่าเฉลี่ย ชั่วโมง ตามที่ได้รับการแสดงโดยใช้วิธีการนี้ไปเป็นตัวอย่างที่เป็นตัวเลขและนำเสนอผลของการจำลองข้อมูลผู้เขียนเพิ่มเติม Mahdi Zeinali. Mahdi Zeinali ได้รับปริญญา BS ในสาขาวิศวกรรมควบคุมจาก Sahand University of Technology, Tabriz ประเทศอิหร่านในปีพ. ปริญญาวิศวกรรมควบคุมจาก Sharif University of Technology, Tehran ประเทศอิหร่านในปีพ. ศ. 2547 ปัจจุบันเขากำลังทำงานด้านปริญญาเอกในแผนกวิศวกรรมระบบควบคุม Amirkabir University of Technology Tehran Polytechnic กรุงเตหะรานอิหร่านเขาเป็นผู้เขียนงานวิจัยมากกว่า 7 ฉบับ ความสนใจของพระองค์อยู่ในพื้นที่ของระบบ MD หลายมิติการระบุระบบและการประมวลผลสัญญาณดิจิตอลวิธีการใหม่สำหรับการประมาณค่าพารามิเตอร์การเคลื่อนที่แบบเฉลี่ย 2 มิติแบบใหม่วิธีการใหม่สำหรับการประมาณค่าพารามิเตอร์แบบเคลื่อนที่เฉลี่ย 2 มิตินอกจากนี้ผู้คนยังอ่าน เรียกดูวารสารตามหัวเรื่อง