مقدمه ای بر موجک ها
نسخه جدید EViews 12 چندین روش آماری و اقتصادسنجی جدید را معرفی کرده است. از جمله آنها تجزیه و تحلیل موجک(Wavelet Transform) است. این یک مکمل برای تکنیک‌های موجود در EViews است که برای تجزیه و تحلیل و جداسازی ویژگی‌هایی که یک سری زمانی را مشخص می‌کنند، استفاده می‌شود. در حالی که بدون شک برنامه های متعددی برای موجک ها مانند رگرسیون، آزمون ریشه واحد، برآورد ترتیب ادغام کسری، و بوت استرپ (wavestrapping) وجود دارد، در اینجا تحلیل موجک جدید EViews را برجسته می کنیم. به طور خاص، بر چهار حوزه محبوب و پرکاربرد تحلیل موجک تمرکز می کنیم:
تبدیل موجک
تجزیه واریانس
آستانه گذاری
تشخیص داده پرت

تبدیل موجک
اولین مرحله در تجزیه و تحلیل موجک معمولا تبدیل موجک یک سری زمانی مورد علاقه است. این شبیه تبدیل سری فوریه است. سری های زمانی به ویژگی های طیفی (فرکانس) تشکیل دهنده آن بر اساس مقیاس به مقیاس تجزیه می شوند. به یاد بیاورید که ایده مقیاس در تحلیل موجک مشابه فرکانس در تحلیل فوریه است.

تجزیه واریانس
یکی دیگر از کاربردهای سنتی موجک ها، تجزیه واریانس است. همانطور که تبدیل موجک می تواند یک سیگنال سری را در مقیاس ها تجزیه کند، آنها همچنین می توانند یک واریانس سری را در مقیاس ها تجزیه کنند. به طور خاص، این تجزیه مقدار تغییرات اصلی منتسب به یک مقیاس معین است.. برای مثال، اگر سهم تغییرات کلی در مقیاس 1 بیشتر باشد، این نشان می‌دهد که این نیروهای گذرا هستند که بیشترین سهم را در تغییرات کلی دارند. اگر مقیاس‌های بالاتر با سهم بزرگ‌تری در تنوع کلی همراه باشد، عکس این امر صادق است.

آستانه موجک
یکی از جنبه‌های مهم کار تجربی، تشخیص داده‌های مفید از نویز است. به عبارت دیگر، اگر یک سری زمانی مشاهده شده با وجود نویز ناخواسته مبهم شود، به دست آوردن برآوردی از این نویز و فیلتر کردن آن از داده های مشاهده شده به منظور حفظ اطلاعات مفید یا سیگنال بسیار مهم است. به طور سنتی، این فیلتراسیون و استخراج سیگنال با استفاده از تبدیل فوریه یا تعدادی از روتین های ذکر شده قبلی مانند تجزیه STL به دست می آمد. در حالی که اولی معمولاً برای داده های ثابت مناسب تر است، دومی می تواند غیر ایستایی ها، غیرخطی ها و فصلی های نوع دلخواه را در خود جای دهد. این امر STL را به ابزاری جذاب در این فضا تبدیل می کند و از نظر عملکرد با آستانه موجک مشابه (اما در نهایت متفاوت) است. مثال های زیر این تفاوت های ظریف را بررسی می کند

تشخیص بیرونی
یکی از کاربردهای مهم و مفید موجک ها، تشخیص پرت است. در حالی که موضوع مورد توجه در طول سال‌ها با شروع گرینبلات (1996) مورد توجه قرار گرفته است، ما در اینجا بر یک مشارکت نسبتاً ساده و جذاب توسط Bilen و Huzurbazar (2002) تمرکز می‌کنیم. جذابیت رویکرد آنها این است که نیازی به تخمین مدل ندارد، محدود به فرآیندهای تولید شده از طریق ARIMA نیست، و در حضور هر دو ویژگی های اضافی و نوآورانه کار می کند. این رویکرد فرض می‌کند که ضرایب موجک تقریباً مستقل و متغیرهای عادی یکسان هستند. این یک فرض نسبتاً ضعیف است زیرا فرض استقلال (ارضای آن دشوارتر است) معمولاً با استفاده از DWT تضمین می شود. در حالی که EVIews توانایی انجام این روش را با استفاده از MODWT ارائه می دهد، به طور کلی برای تبدیل متعارف مناسب تر است.

مقاله استفاده از روش های داده کاوی در رتبه بندی اعتباری با روش های داده کاوی

http://www.journal-dmor.ir/article_145038.html

در این مقاله روش شبکه عصبی پرسپترون چند لایه با روش plsمقایسه و در نهایت تحلیل حساسیت انجام شده است

مجوز چاپ کتاب eviews

جزوه کاملا تصویری اموزش Amosبهمراه معرفی کتاب

دانلود نرم افزار ایویوز 10 - سایت تخصصی آمار - www.spss-pasw.ir

رگرسيون لاسو در eviews12

چرا spss از نرم افزارهاي تحليل آماري ديگر بهتر است؟ https://silverlakeconsult.com/blogs/how-spss-better-than-stata-r-sas/

گروه هاي آموزش رايگان نرم افزارهاي تحليل آماري
⬅️⬅️⬅️گروه ایویوز
https://t.me/eviews12

⬅️⬅️⬅️گروه آموس - ليزرل - اسمارت پي ال اس
https://t.me/Amos25

⬅️⬅️⬅️کانال spss
https://t.me/spss23

⬅️⬅️⬅️گروه spss
https://t.me/spss31
استارت آپ متامتد - مرکز تحلیل داده متد
⬅️⬅️⬅️ Spss-pasw.ir


آموزش مباحث اقتصاد سنجی با نرم افزار eviews و Stata
مشاوره آماری در حوزه تحلیل دیتا

روش بوت استرپ

زمانی از روش بوت استرپ استفاده می شود که حجم نمونه خیلی کوچک و توزیع جامعه نامشخص باشد و در یکی از منوهای امار توصیفی یا رگرسیون قابل اجرا هست
@spss23

فیلم آموزش نصب AMOS 25 بهمراه نوع تحلیل عاملی تاییدی مرتبه اول - @SPSS23

smartpls 4 در بحث مدلسازي معادلات ساختاري بروزرساني گرديد. تغييرات عموده شامل بررسي همزمان چند متغير تعديلگر-بررسي مدل هاي رگرسيون خطي شامل تحليل مسير و ... مي باشد.