Συλλογές
Τίτλος Predicting using univariate, multivariate & machine learning methods and empirical applications using R Shiny
Εναλλακτικός τίτλος Προβλέψεις χρησιμοποιώντας univariate, multivariate & machine learning μεθόδους και εμπειρική εφαρμογή χρησιμοποιώντας R Shiny
Δημιουργός Diamantis, Konstantinos, Διαμάντης, Κωνσταντίνος
Συντελεστής Tzavalis, Elias
Pagratis, Spyros
Athens University of Economics and Business, Department of Economics
Dendramis, Yiannis
Τύπος Text
Φυσική περιγραφή 65p.
Γλώσσα en
Περίληψη The following master’s thesis consists of a complete guidebook in time series analysis. At first, the most common univariate models are analyzed, followed by multivariate models with penalized regression methods, and last, machine learning methods with principal components analysis. Then, we create an interactive forecasting application with R Shiny to visualize time series better and enabling the user to observe the forecasting result and manipulate the selected series.
Η παρακάτω διπλωματική εργασία αποτελεί έναν πλήρη οδηγό ανάλυσης χρονοσειρών. Αρχικά, αναλύονται τα πιο συνηθισμένα univariate μοντέλα, έπειτα αναλύονται multivariate μοντέλα με penalized regression μοντέλα, και τέλος αναλύονται μοντέλα μηχανικής μάθησης με principalcomponents analysis. Στην συνέχεια, δημιουργήθηκε μια διαδραστική εφαρμογή πρόβλεψης με χρησιμοποιώντας το ειδικό πακέτο της R το R Shiny για καλύτερη οπτικοποίηση των χρονοσειρών, δίνοντας την δυνατότητα στον χρήστη να παρατηρήσει την πρόβλεψη των σειρών και να τις τροποποιήσει.
Λέξη κλειδί Χρονοσειρές
Πρόβλεψη
Οικονομετρικά μοντέλα
Αξιολόγηση μοντέλων
Time series
Forecasting
Econometric models
Forecast performance
R Shiny
Ημερομηνία έκδοσης 21-03-2023
Ημερομηνία κατάθεσης 22-03-2023
Ημερομηνία αποδοχής 22-03-2023
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/