هدف اصلی مقاله حاضر، استفاده از مدل های احتمال اتورگرسیو میانگین متحرک(ARMA)  به منظور مدل سازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS می باشد. موقعیت های روزانه ایستگاه دائمی LLAS در منطقه کالیفرنیای جنوبی از شبکه SCIGN با پوشش زمانی هفت سال از ژانویه 2000 تا دسامبر 2006 جهت ایجاد سری زمانی موقعیت و آنالیز آن انتخاب گردیده است. بر اساس سری زمانی موقعیت روزانه و استفاده از روش کمترین مربعات وزن دار، پارامترهای ژئودتیکی مانند: ترند خطی، نوسانات سالیانه و نیم سالیانه و نیز آفست ها به طور همزمان برای ایستگاه دائمی LLAS برآورد شده اند. در این مطالعه، توابع خود همبستگی(ACF)  و خودهمبستگی جزئی (PACF)، به عنوان ابزارهای مطالعاتی برای شناسایی رفتار سری زمانی موقعیت روزانه ایستگاه دائمی GPS مورد استفاده قرار می گیرند و امکان بررسی وابستگی داده های روزانه سری زمانی موقعیت را فراهم می نمایند. با توجه به اینکه ممکن است چند مدل احتمالاتی متفاوت برای یک سری زمانی موقعیت روزانه مناسب باشند، لذا محک اطلاعات آکاییک در مرحله شناسایی و انتخاب مدل مفید، مورد استفاده قرار گرفته است. در این مطالعه، نتایج عددی نشان می دهند که بهترین مدل احتمالاتی اتورگرسیو میانگین متحرک برای ایستگاه دائمی LLAS از مرتبه (1,1) برای جهت N می باشد. همچنین مدل احتمالاتی ARMA (2,1) برای جهت E مناسب ترین مدل می باشد در حالی که برای جهت U مدل احتمالاتی ARMA (1,2) بهترین مدل است. بعد از برآورد یک مدل احتمالاتی مناسب برای سری زمانی موقعیت روزانه ایستگاه دائمی GPS، می توان آن سری زمانی موقعیت را همراه با ترند و مولفه های فصلی پیش بینی کرد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله به بررسی روشهای آماری برای تشخیص قلب سالم از قلب بیمار با استفاده از ریتم ضربان قلب می پردازیم. در ابتدا مروری بر چند روش شناخته شده خواهیم داشت و سپس دو روش جدید را ارایه خواهیم کرد. در روش اول ویژگی خود متشابهی بسیط (ESS) و در روش دوم یک مدل بازگشتی روی ضربان قلب افراد سالم و بیمار مورد بررسی قرار گرفته است. این دو ویژگی با دقت خوبی قادرند بین افراد سالم و بیمار تفاوت قائل شوند.

سری های زمانی GPS شامل یک ترند خطی، حرکات پریودیک، آفست ها و یکسری رفتارهای دیگر تحت عنوان نویز می باشند. با توجه به کاربردهای متفاوت سری های زمانی مانند بررسی حرکات تکتونیک، تغییر پوسته زمین و دینامیک زلزله و غیره باید سری های زمانی با دقت بالایی تقریب گردند. برای این منظور لازم است که مولفه های سیستماتیک موجود در مدل تابعی با دقت بالایی تعیین شوند. در این تحقیق علاوه بر موارد ذکر شده، اثر زلزله نیز در سری های زمانی در نظر گرفته شده است. با توجه به اینکه لرزه خیزترین منطقه شمال ایران منطقه البرز است، 25 ایستگاه دائمی این منطقه (تقریبا با پوشش زمانی بین سال های 2005 تا 2013 میلادی) برای مطالعه انتخاب گردیده است. برای کشف اثر زلزله، با توجه به نمایش هندسی رفتار سری زمانی و همچنین بررسی زمین لرزه های رخداده در منطقه، به روش آزمون و خطا زمین لرزه های موثر در رفتار سری های زمانی شناسایی شده است. نتایج حاصل بیانگر رفتار شبیه به هم ایستگاه ها (وقوع آفست در زمان های مشترک و تاثیر مشابه زلزله) می باشد که علت آن، انتشار اثرات سیستماتیک از یک ایستگاه به ایستگاه دیگر در هنگام پردازش است. همچنین در صورتیکه ماتریس کواریانس مشاهدات بصورت ترکیب سه نویز سفید، فلیکر و گام تصادفی در نظر گرفته شود، آنالیز نویز سری های زمانی با استفاده از روش برآورد مولفه های واریانس (به روش کمترین مربعات)، بیانگر این مورد است که صرف نظر کردن از اثر زلزله اثر خود را بصورت حضور نویز گام تصادفی، به ترتیب در 88، 12 و 60 درصد سری های زمانی مولفه های شمالی، شرقی و ارتفاعی نشان خواهد داد. در صورتیکه اثر زلزله نیز در نظر گرفته شود، نویز گام تصادفی، به ترتیب در 12، 12 و 36 درصد سری های زمانی مولفه های شمالی، شرقی و ارتفاعی دارای مقدار مثبت خواهد بود. همچنین با توجه به رفتار مشابه سری های زمانی پیشنهاد می شود که یک باز پردازش برای آن ها انجام گیرد.

مدل های فصلی اتورگراسیو میانگین متحرک ضربی به منظور مدلسازی جریان ماهانه رودخانه زاینده رود در غرب استان اصفهان، ایران، با استفاده از روش باکس و جنکینز مفید هستند. از بین مدلهای منتخب مبتنی بر ACF و PACF، مدل فصلی ضربی (0,1,1)´(1,1,0) ARIMA تمام ازمون ها را پشت سر گذاشته و به عنوان بهترین مدل شناخته شد. پارامتر فصلی میانگین متحرک در مدل، دوره ای بودن و پرحافظه بودن جریان رودخانه را نشان می دهد در حالیکه پارامتر غیر فصلی اتورگرسیو خطی بودن جریان ماهانه را نشان می دهد. پیش بینی 24 ماه جلوتر این مدل نشان دهنده قابلیت این مدل در پیش بینی و پیش گویی ویژگی های اماری جریان رودخانه است.

طی چند دهه گذشته در تعداد زیادی از پژوهش های انجام شده از تکنیک های سری های زمانی برای توصیف، تبیین، پیش بینی و کنترل داده های مالی استفاده شده است. از این مقاله به ویژه در بازاریابی، برنامه ریزی تولید، مدیریت راهبردی، مالیه، بازارهای سرمایه و نظایر آن استفاده از تکنیک سری های زمانی باکس جنکینز گسترش فزاینده ای داشته است. در پژوهش حاضر نیز از این تکنیک جهت توصیف و تبیین داده ها و بررسی رفتار سود حسابداری استفاده می شود. هدف از مفهوم سود آن است که سود باید به مشاهدات دنیای واقعی ارتباط داده شود. سه مفهوم اصلی قابل تفسیر سود عبارتند از: اول - مفهوم نگهداشت سرمایه یا ثروت که از نظر بسیاری از افراد باید اصلی ترین مفهوم سود باشد. زیرا از حمایت نظریه اقتصادی برخوردار است و دوم - مفهوم کارایی سود که بر طبق آن از سود خالص و عناصرش اغلب به عنوان سنجه های کارآیی مدیریت استفاده می شود. سومین هدف براساس ابعاد رفتاری آن ارزیابی می شود. یکی از ویژگی های رفتاری توانایی پیش بینی است. سودهای ویژه چندین دوره ممکن است برای پیش بینی های مرتبط با عملیات آینده یک واحد تجاری، در صورتی که سایر عوامل مربوط به درستی در حیطه کنترل قرار داشته باشند، مورد استفاده قرار گیرد. سایر ویژگی های رفتاری شامل تصمیم گیری مدیریتی، رابطه تغییرات سود با قیمت های بازار سهام، و درخواست ارقام سود متوسط سرمایه گذاران بدون توجه به فقدان محتوای اطلاعاتی آن است. بنابراین با توجه به اهمیت ارقام سود حسابداری، بررسی رفتار سود از اهمیت بالایی برخوردار است. پژوهش های رفتاری نشان می دهد که به طور متوسط فرایند ایجاد سود سالانه شرکت ها میانگین متحرک یا گام تصادفی و سودهای فصلی اتورگرسیو می باشد. نتایج حاصله از آزمون فرضیات پژوهش حاضر نیز نشان می دهد که فرایند ایجاد سود سالانه شرکت های ایرانی تحت مطالعه نیز میانگین متحرک است. علاوه بر این نتایج نشان می دهد که سودهای این شرکت ها کیفیت چندانی ندارد و محتوای اطلاعاتی چندانی در رابطه با سودهای آتی در بر ندارند. همچنین نتایج حاصل از مقایسه عرضی از یکسانی فرایند ایجاد سود در یک صنعت خاص حکایت دارد.