اتفاقات و حوادث ایران و جهان"این وبلاگ تابع قوانین جمهوری اسلامی ایران است

امید زندگی،اتفاقات جالب،تصادف،کلاهبرداری،قتل،سرقت وزورگیری،مواد مخدر،آتش سوزی،اجتماعی وسلامت،گروه های تکفیری،حوادث ژنتیکی،گروگان گیری ،خودکشی

اتفاقات و حوادث ایران و جهان"این وبلاگ تابع قوانین جمهوری اسلامی ایران است

امید زندگی،اتفاقات جالب،تصادف،کلاهبرداری،قتل،سرقت وزورگیری،مواد مخدر،آتش سوزی،اجتماعی وسلامت،گروه های تکفیری،حوادث ژنتیکی،گروگان گیری ،خودکشی

بزرگترین سایت آگهی رایگان چارراهی

طبقه بندی موضوعی
آخرین نظرات
عنوان انگلیسی مقاله: Duration Dependent Markov-Switching Vector Autoregression: Properties, Bayesian Inference, Software and Application
عنوان فارسی مقاله: مدل اتورگرسیون برداری مارکف سویچینگ وابسته به طول زمان: خصوصیات، استنباط بیزی، نرم افزار و برنامه کاربردی
دسته: مهندسی صنایع
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 27
لینک دریافت رایگان نسخه انگلیسی مقاله: دانلود
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.
_______________________________________
چکیده ترجمه:
مدل های اتورگرسیون برداری مارکف سویچینگ VAR (DDMS-VAR) به عنوان مدل های سری زمانی با فرایند تولید داده، شامل ادغام دو فرایند VAR ( انورگرسیون برداری) می باشد. تغییر بین این دو فرایند VAR ، توسط دو حالت زنجیره مارکف با احتمالات انتقال کنترل می گردد که بستگی به این دارد که چه مدتی زنجیره در یک حالت قرار می گیرد. در این مقاله، به تجزیه و تحلیل خصوصیات مرتبه دوم چنین مدل هایی پرداخته و الگوریتم مونت کارلو زنجیره مارکف را برای انجام استنباط فازی بر روی موارد مجهول مدل، مطرح می کنیم. علاوه بر این، نرم افزار منبع باز که توسط محقق برای تحلیل سری زمانی به وسیله مدل های DDMS-VAR  نوشته شده است، توضیح داده می شود. ای روش و نرم افزار برای تجزیه و تحلیل چرخه کسب و کار ایالات متخده امریکا کاربرد دارد.
کلیدواژه: مارکف سوئیچینگ، چرخه کسب و کار، نمونه گیری گیبز، وابسته به زمان، اتورگرسیون برداری
1. مقدمه 
از زمان بررسی های مقدماتی هامیلتون (1989)، بسیاری از کاربردهای مدل اتورگرسیون برداری مارکف سویچینگ (MS-AR) برای تحلیل چرخه کسب و کار به اثبات پتانسیل های خود، به ویژه در آشنایی این سیکل به صورت هدفمند، پرداخته است. با این وجود، مدل اصلی MS-AR محدودیت هایی دارد: 1) به  صورت یک متغیره می باشد، 2) احتمال تغییر از یک حالت به حالت دیگر ( یه به موارد دیگر) با گذشت زمان ثابت می باشد،
 3) قادر به ایجاد طیف هایی با نقطه ماکزیمم در فراوانی چرخه کسب و کار نمی باشد. از ان جایی که چرخه های کسب و کار بر مبنای نوسانات فعالیت های اقتصادی انبوه می باشد، مد نظر قرار دادن همزمان بسیاری از متغیرهای اقتصادی کلان  1) به صورت نقطه ضعف قابل اقماض نمی باشد. تعمیم چندمتغیره مدل MS توسط کرولزینگ (1997) در رساله ممتاز او در مورد مدل MS انجام شده است. 
همان طور که در مورد 2 بیان شد، منطقی است تا بر این باور باشیم که احتمال خارج شدن از رکود مشابه ابتدای این فرایند بعد از چندین ماه نمی باشد. بعضی از محققان همانند دیبولد و رودباش (1990)، دیبولد و همکارانش (1993) و واتسون (1994) شواهدی را در مورد وابستگی در طول مدت در چرخه کسب و کار ایالات متحده یافته اند و بنابراین دیبولد و همکارانش (1993) اشاره می کنند که، نتایج مدل MS استاندارد، در این چارچوب نامشخص می باشد. برای روبرو شدن با این محدودیت، دورلند، مک کاردی (1994) به معرفی اتورگرسیون مارکف سوئیچینگ یک متغیری وابسته به مدت زمان پرداخته اند، و فیلترهای دیگری را برای متغیر حالت غیرقابل مشاهده طراحی کرده اند. در مقاله کنونی، مدل سوئیچینگ وابسته به مدت زمان به صورت چندمتغیره تعمیم داده شده است، و نشان داده شده است که چگونه ابزارهای استاندارد مربوط به مدل MS-AR همانند فیلتر هامیلتون و صافی کیم، برای مدل سازی وابستگی به مدت زمان مورد استفاده قرار می گیرند. در واقع فیلتر مطرح شده توسط دورلاند و مک کاردی(1994) مشابه فیلتر هامیلتون می باشد که برای زنجیره مارکف کلی تر نشان داده شده است. درحالیکه دورلاند و مک کاردی (1994) استنباط شان را در مورد مدل با بکارگیری براورد احتمالی حداکثر انجام داده اند، تکیه ما بر روی استنباط بیزی با استفاده از تکنیک مونت کارلو زنیره مارکف (MCMC) می باشد.

جهت دانلود محصول اینجا کلیک نمایید

نظرات  (۰)

هیچ نظری هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی
محبوب کن - فیس نما ?

تصویر ثابت