در سال‌های اخیر با آگاه‌تر شدن پژوهشگران علوم مختلف از کاربردهای متنوع مدل‌‌های سری زمانی و نقشی که بر آورد این مدل‌ها می‌تواند در پیش‌بینی آینده داشته باشد. بر آن شدیم تا این روش را بدور از بکارگیری فرمول‌های پیچیده اقتصاد‌سنجی، بصورت بسیار کاربردی، خلاصه و آسان؛ همراه با اجرا و پیاده سازی این روش بصورت گام به گام و با مثال‌های عینی در نرم افزار اقتصاد‌سنجی ایویوز، که قابل فهم برای تمام پژوهش‌گران در تمامی رشته‌ها باشد را در قالب مجموعه‌ایی کامل جمع‌آوری و در اختیار تمامی دوستان علاقمند قرار دهیم.

لذا شما دوست گرامی می توانید ضمن استفاده از برخی آموزش های این قسمت در ذیل همین صفحه، آموزش های کامل تر را با تهیه کتاب در اختیار داشته باشید.

بدیهی است که نظرات و پیشنهاد شما عزیزان می‌تواند ما را در این خصوص یاری نماید (khanali.bahman@yahoo.com).

نویسنده: بهمن خانعلی زاده

استفاده از مطالب با ذکر منبع بلامانع است. (لطفا به حقوق نویسنده احترام بگذارید)

داده‌های سري زماني

در سال‌های اخیر با ثبت منظم و دقیق داده‌ها که باعث بودجود آمدن بانک‌های اطلاعاتی در سراسر دنیا تمایل به استفاده از سری‌های زمانی افزایش یافته است. سری‌های زمای به مجموعه‌ایی از مشاهدات گفته می‌شود که برحسب زمان مرتب شده‌اند یا بطور دقیق‌تر می‌توان گفت ” سری زمانی به مجموعه ای از مشاهدات کمی گفته می‌شود که در فواصل زمانی و به صورت متوالی اندازه‌گیری می‌شود. به بیان دیگر، سری زمانی مجموعه‌ای از مشاهدات یک متغیر است که در نقاط گسسته‌ای از زمان،که معمولا فاصله‌های مساوی دارند، اندازه‌گیری شده و بر حسب زمان مرتب شده‌اند”.

 سری‌های زمانی از گذشته در بیش‌تر علوم از جمله زمین‌شناسی، مهندسی، اقتصاد و…کاربردهای فراوانی داشته است چون می‌توان با بکارگیری این روش با استفاده از داده‌های قبلی می‌توان مقادیر آینده را پیش بینی نمود. اما زمان در سری‌های زمانی بسته به نوع متغیرهای مورد بررسی و هدف می‌تواند روز،هفته، ماه یا سال  باشد.

اصولاٌ هدف از تجزیه و تحلیل سری‌های زمانی عبارتند از:

  1. پیش بینی مقادیر آینده
  2. توصیف متغیرها
  3. تشریح متغیرها
  4. کنترل متغیرها

الگوهای سری زمانی

      يك سري زماني مجموعه مشاهداتي است كه بر حسب زمان مرتب شده ‌باشند. داده‌هايي كه از مشاهدات يك پديده در طول زمان بدست مي‌آيند، بسيار متداول هستند. در كسب و كار و اقتصاد، قيمت سهام در بازار بورس، شاخص‌هاي قيمت ماهانه، ارقام فروش سالانه و غيره را مشاهده مي‌كنيم.

 الگوهاي سري زماني مجموعه‌اي از الگوهایی را در بر مي‌گيرند كه مي‌توان آنها را به دو دسته كلي ذیل تقسیم بندی نمود:

الف– الگوهاي تك متغيره[ Univariate time- Series Models ]

 که از مهم‌ترين الگوهاي آن مي‌توان به موارد ذیل اشاره کرد:

  1. الگوهاي خود توضيح (AR) [ Autoregressive Processes ]
  2. ميانگين متحرك (MA) [ Moving Average Processes ]
  3. الگوي عمومي خود توضيح ميانگين متحرك (ARIMA) [ Autoregressive Moving Average Processes ]

ب- الگوهاي چند متغيره[ Multivariate time-series models ]

از ميان الگوهاي چند متغيره نيز مي‌توان به الگوي ذیل اشاره نمود:

  1. خود ‌توضيح با وقفه توزيعي (ARDL) [ Autoregressive Distributed Lag ]
  2. خود توضيح برداري (VAR) [ Vector Auto-Regressive ]
  3. تصحيح خطاي برداري (VECM) [ Vector Error Correction Model ]

مطالب و آموزش های این قسمت برگرفته از کتاب : کاربرد و تخمین داده‌های سري زماني با استفاه از نرم افزار ایویوز” نوشته آقای بهمن خانعلی زاده (1399) می باشد جهت سفارش و دریافت این کتاب صرفا از طریق تماس با شماره تلفن 09127920179 یا مکاتبه با ایمیل ad@bahmanyarnovin.ir میسر می باشد. (کتاب فایل PDF ندارد).

آموزش و تخمين داده های سري زماني بصورت خصوصی و عمومی و پروژه پذیرفته می شود.

**-بخش آموزش-**