هزینه آموزش
۸۵,۰۰۰ تومان

آموزش تحلیل و پیش بینی سری های زمانی

آموزش تحلیل و پیش بینی سری های زمانی

تعداد دانشجو
۳,۶۸۵ نفر
مدت زمان
۱۲ ساعت و ۹ دقیقه
هزینه آموزش
۸۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۴۸ بازخورد (مشاهده نظرات)
آموزش تحلیل و پیش بینی سری های زمانی

تحلیل سری های زمانی به عنوان مبحثی کاربردی در تمامی رشته های علمی از قبیل مهندسی، اقتصاد، جغرافیا، مدیریت و ... استفاده می شود. بررسی گذشته داده ها به منظور شناسایی و تعیین ماهیت یک پدیده قدم اول در یک مدل سازی اصولی است که با استفاده از آن می توان در گام بعدی به یک پیش بینی صحیح و قابل اتکا دست یافت. لذا این فرادرس بنای آن دارد که با استفاده از نرم افزارهای معتبر شناخته شده، مبانی نظری به روز و اساسی این حوزه را در قالبی مدون، ساده و کاربردی در اختیار مخاطبان و هموطنان عزیز قرار دهد.

آموزش تحلیل و پیش بینی سری های زمانی

مدت زمان
۱۲ ساعت و ۹ دقیقه
هزینه آموزش
۸۵,۰۰۰ تومان
محتوای این آموزش
۴۸ بازخورد (مشاهده نظرات)
مدرس
دکتر پژمان بهرامیان

دکتری تخصصی اقتصاد سنجی سری های زمانی

دکتر پژمان بهرامیان دکترای اقتصاد گرایش اقتصادسنجی سری های زمانی از دانشگاه EMU در قبرس شمالی هستند. رساله دکتری ایشان در زمینه «توسعه و تکمیل فرایند شناسایی حباب های قیمتی در سری های زمانی مالی و اقتصادی با رویکرد اقصاد فیزیک» ارائه شده است. ایشان در حال حاضر به عنوان مدیر گروه اقتصاد در دانشگاه GAU و همچنین پژوهشگر ارشد مرکز پژوهشی - آموزشی کمبریج در دانشگاه کویینز کانادا مشغول به فعالیت هستند.

توضیحات تکمیلی

دانستن اینکه فردا نرخ ارز در بازار تهران چقدر است، یا شاخص سهام شرکت الف در ماه بعد به چه میزان است، یا اینکه دمای هوای کشور یا شهر مقصد در هفته آینده به چه اندازه است، خواسته ای است که بشر آگاهی از آن را بر ناآگاهی ترجیح می دهد. درست است که می توان بر اساس تجربه، رویدادهای آینده را حدس زد، اما این حدس فقط یک احساس است و برگردان احساس در یک قالب مشخص و قابل درک مشکل به نظر می رسد.

تکنیک های سری زمانی ابزاری است مناسب که با استفاده از آن می توان مشکل فوق را حل نمود. بررسی گذشته داده ها به منظور شناسایی و تعیین ماهیت یک پدیده قدم اول در یک مدل سازی اصولی است که با استفاده از آن می توان در گام بعدی به یک پیش بینی صحیح و قابل اتکا دست یافت. لذا آگاهی مناسب و عمیق از این دانش، بازخورد مطلوب تصمیمات فرد در آینده را تضمین می کند. از طرفی دیگر، با توجه به رشد خیره کننده تکنیک های سری زمانی به همراه پیچیدگی های نظری آن باعث شده است که دانشجویان و حتی افراد حرفه ای نتوانند ارتباط مناسبی را با آن برقرار کنند. لذا در این مجموعه آسان سازی و بهینه سازی یادگیری از لحاظ تئوری از یک طرف و پیاده سازی مبانی در فرم کاربردی با استفاده از بسته های نرم افزاری موجود (R ،Stata ،EViews) هدف گذاری شده است تا بتوان با استفاده از آن به نحوه اثر بخش از تحلیل های سری زمانی به هر منظوری استفاده نمود.

تحلیل سری های زمانی به عنوان مبحثی کاربردی در تمامی رشته های علمی از قبیل مهندسی، اقتصاد، جغرافیا، مدیریت و ... استفاده می شود. همچنین امروزه نقش و جایگاه مهم و گسترده ای را در بین پژوهشگران مدیران و سیاست گذاران داراست. معرفی متدهای جدید و پیچیدگی های مبانی این کلاس خاص از تحلیل های علمی، همواره یکی از دغدغه های اصلی متقاضیان این مبحث بوده است. امروزه در تمامی مجامع علمی پژوهشی و دانشگاهی عدم وجود یک مجموعه مدون و دقیق و از همه مهم تر کاربردی که بر اساس اخرین متدهای علمی متداول در دنیا تهیه شده باشد به شدت محسوس است. لذا مجموعه فوق بنای آن دارد که با استفاده از نرم افزارهای معتبر شناخته شده، مبانی نظری به روز و اساسی این حوزه را در قالبی مدون، ساده و کاربردی در اختیار مخاطبان و هموطنان عزیز قرار دهد. باشد که این فرادرس پاسخی مناسب، به منظور رفع خلاء محسوس، در این مبحث گردد.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: تحلیل و پیش بینی سری زمانی تک متغیره
    • مقدمات تحلیل های سری زمانی
    • فرایند میانگین متحرک Moving Average Process
    • فرایندهای خود رگرسیو Autoregressive Process
    • مدل سازی ARMA - روش باکس جنکینز
    • مدل سازی ARIMA
    • هموارسازی نمایی
    • پیش بینی سری های زمانی تک متغیره
  • درس دوم: مانایی، ریشه واحد، هم انباشتگی
    • مبانی و مفاهیم
    • بررسی روند و روند زدایی در سری زمانی
    • آزمون ریشه واحد
      • شبیه سازی مونت کارلو (مقادیر بحرانی ADF)
      • رویکرد Elliote-Rothenberg Stock
    • آزمون ریشه واحد و شکست ساختاری
      • شکست ساختاری چندگانه (Multiple Structural Breaks)
        • آزمون Lumsdaine-papell
        • آزمون Lee-Strazicich
    • هم انباشتگی
    • آزمون های هم انباشتگی
    • مدل های تصحیح خطا ECM
  • درس سوم: سری های زمانی فصلی
    • مبانی و مقدمات
    • الگوی فصلی قطعی
    • مدل های ARIMA فصلی (SARIMA)
    • آزمون ریشه واحد فصلی
      • آزمون HEGY
      • آزمون OCSB
      • آزمون DHF
    • تعدیلات فصلی Seasonal adjustment

پیش نیاز


آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

EViews 9 - EViews 10 - Stata - نرم افزار R




پیش نمایش‌ها

۱. تحلیل و پیش‌ بینی سری زمانی تک متغیره (الف)

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۱ مگابایت -- (کلیک کنید +))

۲. تحلیل و پیش‌ بینی سری زمانی تک متغیره (ب)

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۵ مگابایت -- (کلیک کنید +))

۳. تحلیل و پیش‌ بینی سری زمانی تک متغیره (پ)

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۲ مگابایت -- (کلیک کنید +))

۴. تحلیل و پیش‌ بینی سری زمانی تک متغیره (ت)

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۱۱ مگابایت -- (کلیک کنید +))

۵. تحلیل و پیش‌ بینی سری زمانی تک متغیره (ث)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. تحلیل و پیش‌ بینی سری زمانی تک متغیره (ج)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. مانایی، ریشه واحد، هم انباشتگی (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. مانایی، ریشه واحد، هم انباشتگی (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. مانایی، ریشه واحد، هم انباشتگی (پ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. مانایی، ریشه واحد، هم انباشتگی (ت)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. مانایی، ریشه واحد، هم انباشتگی (ث)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۲. سری‌ های زمانی فصلی (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۳. سری‌ های زمانی فصلی (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۱۳ جلسه ویدئویی با مجموع ۱۲ ساعت و ۹ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش تحلیل و پیش بینی سری های زمانی
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۶۲۹۰۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVEC9406
مدت زمان ۱۲ ساعت و ۹ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۹۰۶ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما



نظرات

تا کنون ۳,۶۸۵ نفر از این آموزش استفاده کرده اند و ۴۸ نظر ثبت شده است.
نواب
نواب

خوب بود

محمد
محمد

ای کاشکی مثال محور و بیشتر با برنامه هم کار میشد تا فرمول فقط

سروش
سروش

متاسفانه بیشتر فرمول گرایی توضیح داده شد

مهرزاد
مهرزاد

عالی بود

علی
علی

عالی بود، در مبحث های جدید بررسی باید هوش مصنوعی داشته باشه که در کمترین زمان ممکن بیشترین برآورد رو داشته باشه.

زهرا
زهرا

توضیحات خیلی خوب هست. و استاد توضیحات واضح گفتن و همه مطلب یادگرفتم.

ژاله
ژاله

از نظر مبانی دقیقا در سطح اطلاعات دانشگاهی بود، مباحث خیلی عالی توضیح داده بود . جوری که من دیدم حس کردم خودمم میتونم تدریس رو شروع کنم ولی از لحاظ کاربرد با نرم افزار سخت بود و کاربردی نبود تشخیص تابع گفته داده نشده بود، از لحاظ مفهومی آموزش فوق العاده بود ولی از لحاظ برنامه نویسی کاربردی نداشت.

kiyanoush
kiyanoush

با سلام ما در بورس الپاری هستیم و متاتریدر کارمیکنیم برای ماهم پیشنهاد میشه و کارایی داره با سپاس

مهدی
مهدی

محتوا نه خیلی خوب بود نه خیلی بد
در حد متوسط

مسعود
مسعود

مدرس در مورد مباحث آگاهی لازم داره و انتقال مطالبشون خیلی عالی بود.

دسته‌بندی موضوعی: علوم اقتصادی و مالی | مدیریت
برچسب‌ها:
ADF | Autoregressive Process | DHF | ECM | Elliote-Rothenberg | Elliote-Rothenberg Stock | Eviews | HEGY | Lee-Strazicich | Lumsdaine-papell | Moving Average Process | Multiple Structural Breaks | OCSB | SARIMA | Seasonal Adjustment | Stata | آزمون DFGLS | آزمون DHF | آزمون HEGY | آزمون KPSS | آزمون Lee-Strazicich | آزمون Lumsdaine-papell | آزمون NG | آزمون OCSB | آزمون yoo | آزمون انگل | آزمون پاپل | آزمون پرون | آزمون دی بلد | آزمون دیکی فولر | آزمون ریشه فصلی | آزمون ریشه واحد | آزمون زیوت اندروز | آزمون فیلیپس پرون | آزمون لی و استرازیسیچ | آزمون های هم انباشتگی | آزمون هم انباشتگی | ازمون ریشه فصلی | ازمون هم انباشتگی | استاتا | اقتصاد سنجی سری های زمانی | اقتصادی | الگوی فصلی قطعی | امار | ایویوز | برنامه نویسی ایویوز | بهینه سازی | پیاده سازی مبانی | پیش بینی استاتیک | پیش بینی برون نمونه ای | پیش بینی دینامیک | پیش بینی سری زمانی | تعدیلات فصلی | تکنیک های سری زمانی | جبر ماتریسی | حذف روند | خاصیت فصلی | دمای هوا | روش باکس جنکینز | روند خطی | رویکرد Elliote-Rothenberg Stock | ریاضیات مقدماتی | ریشه ئاحد | ریشه واحد | ریشه واحد فصلی | سری زمانی | سری زمانی تک متغییره | سری های زمانی فصلی | شاخص سهام | شبیه سازی | شبیه سازی مونت کارلو | شرکت | شکست ساختاری | شکست ساختاری چندگانه | فرایند های خود رگرسیو | قالب | گرنجر | مانایی | مبانی و مقدمات | مدل ARMA | مدل های ARIMA | مدل های بکس جنکینز | مدل های تصحیح خطا ECM | مدلهای تصحیح خطا | مقادیر بحرانی | مونت کارلو | میانگین متحرک | نرم افزار R | هم انباشتگی | هموار سازی نمایی
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۱۳ جلسه ویدئویی