تحلیل تطبیقی روش های برآورد پارامترهای مدل های خودبازگشتی متناوب با توزیع های ترکیبی مقیاسی چوله نرمال در مواجهه با داده های پرت و دم سنگین

در این مقاله، مروری جامع و تحلیلی-مقایسه ای بر روش های برآوردیابی مدل های خودبازگشتی متناوب با نوآور هایی از نوع توزیع ترکیبی مقیاسی چوله نرمال ارائه می شود؛ این خانواده توزیعی، چارچوبی انعطاف پذیر برای مدل سازی داده های متقارن و نامتقارن فراهم می سازد. در این راستا، الگوریتم های ECM برای توسعه سه روش برآوردیابی که شامل برآوردیابی درست نمایی بیشینه، برآوردیابی بیشینه احتمال پسین، و برآوردیابی بیزی به کار گرفته شده اند. کارایی این روش ها از طریق مطالعات شبیه سازی مورد ارزیابی قرار گرفته و ویژگی های مجانبی، استواری در برابر داده های پرت، قله های شدید و دم های سنگین مورد توجه ویژه قرار گرفته اند. همچنین، به منظور بررسی کاربرد عملی مدل پیشنهادی، از این روش ها برای مدل سازی سری زمانی ماهانه قیمت سهام شرکت گوگل استفاده شده است.

کلیدواژه ها:

Periodic autoregressive models ، Scale mixture of skew normal ، ML estimate ، ECM algorithms ، MAP estimate ، Bayesian analysis ، MCMC algorithms ، Heavy tails ، Outliers. ، مدل های خودبازگشتی متناوب ، توزیع ترکیبی مقیاسی چوله نرمال ، برآورد درست نمایی بیشینه ، برآورد بیشینه احتمال پسین ، برآورد بیزی.