Dergiler / İstatistik Araştırma Dergisi / 2007 / Cilt: 5 Sayı: 2

Otoregresif Hareketli Ortalamalar Sürecinde, Tersinir Sıçramalı Markov Zinciri Monte Carlo Yöntemi ile Bayesci Model Seçimi

Bayesian Model Selection with Reversible Jump Markov Chain Monte Carlo Methods in Autoregressive Moving Avarage Processes

Erol Eğrioğlu(ONDOKUZ MAYIS ÜNİVERSİTESİ, FEN-EDEBİYAT FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)
Süleyman Günay(HACETTEPE ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)
Sayfa
20–29
Yayın Tarihi
2007-12-14
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Önerilen yeni algoritma simülasyon ile üretilen bir zaman serisine uygulanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Otoregresif hareketli ortalama (ARMA) modellerinde, model derecesinin belirlenmesi için çok değişik yaklaşımlar önerilmiştir.
📊
Temel Bulgular & Veri:Tersinir sıçramalı Markov zinciri Monte Carlo (RJMCMC) yöntemi, parametre uzayları arasında sıçramaya olanak tanıyan etkin bir yöntemdir.
💡
Sonuç & Katkı:Önerilen yeni algoritma simülasyon ile üretilen bir zaman serisine uygulanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bayesci Model Seçimi · Otoregresif Hareketli Ortalamalar Modeli · Tersinir Sıçramalı Markov Zinciri Monte Carlo Yöntemi

Özet

Otoregresif hareketli ortalama (ARMA) modellerinde, model derecesinin belirlenmesi için çok değişik yaklaşımlar önerilmiştir. Model derecesinin belirlenmesinde en sık kullanılan Box-Jenkins yönteminde otokorelasyon ve kısmi otokorelasyon katsayılarının grafiklerinden yararlanılır. Bu yöntem deneyime dayalı bir yöntemdir. Otoregresif hareketli ortalama modellerinin derecesinin belirlenmesinde, Bayesci model seçim yöntemleri de kullanılabilir. Tersinir sıçramalı Markov zinciri Monte Carlo (RJMCMC) yöntemi, parametre uzayları arasında sıçramaya olanak tanıyan etkin bir yöntemdir. Bu çalışmada, Troughton tarafından otoregresif süreçler için önerilen tersinir sıçramalı Markov zinciri Monte Carlo algoritması otoregresif hareketli ortalamalar modeline uyarlanmıştır. Önerilen yeni algoritma simülasyon ile üretilen bir zaman serisine uygulanmıştır.

Abstract

In literature, various approaches have been proposed for determining order of autoregressive moving average models. The most important one is Box-Jenkins aproach. Box-Jenkins method is based on outocorrelations and partial autocorrelations. This method also based on experience. Determining the order of autoregressive moving avarage models Bayesian model selection methods can be used. Reversible jump Markov Chain Monte Carlo method that moves between different model spaces is an influential one. In this study, Troughton's method is modified for determining order of autoregressive moving avarage models. The new method is applied for simulating time series.

🔖

Bu Makaleye Atıf Yap

Eğrioğlu, E., Günay, S. (2007). Otoregresif Hareketli Ortalamalar Sürecinde, Tersinir Sıçramalı Markov Zinciri Monte Carlo Yöntemi ile Bayesci Model Seçimi. İstatistik Araştırma Dergisi, Cilt: 5 Sayı: 2, 20–29. https://ajindex.com/articles/1617893

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Box. GEP. and Jenkins G.M. 1976. Time series analysis. forecasting and control. Holden Day. California.
  2. Geweke, J., 1992. EvaIuating the accuracy of sampling-based approaches to the calculation of posterior moments. Bayesian Statistics, 4, J.M. Bernardo, J.O. Berger, A.P. Dawid, and A.F.M Smith, (eds.), pp. 641-649., Oxford: Clarendon Press.
  3. Green P. J., 1995. Reversible Jump Markov Chain Monte Carlo computation and Bayesian model determination. Biometrica, 82,71 1-732.
  4. Monahan J.F., 1983. Fully Bayesian analysis of ARMA time series models. Journal of Econometrics, 21, 307-331.
  5. Raftery A.E. and Lewis S.M. 1995. The number of iterations, convergence diagnostics and generic Metropolis algorithms, In Practical Markov Chain Monte Carlo (W.K Gilks, D.J. Spiegelhalter and S. Richardson, eds.), London, Chapman and Hall, 115-130.
  6. Troughton P.T. and Godsill J., 1998. A reversible jump sampler for autoregressive time series. Proceddings of IEEE ICASSP-98, IV, 2257-2260.
  7. Troughton PT, 1999. Simulation methods for linear and nonlinear time series models with application to distorted audio signals, University of Cambridge, Cambridge.
  8. Vermaak J., Andrieu C., Doucet A., Godsill J., 2004. Reversible jump Markov chain Monte Carlo strategies for Bayesian model selection in autoregressive processes. Journal of Time Series Analysis, 25, 785-809.
  9. Box. GEP. and Jenkins G.M. 1976. Time series analysis. forecasting and control. Holden Day. California.