Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Πλοήγηση ανά Επιβλέπων "Ioannidis, Evangelos"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    A simulation study on forecasting seasonal time series under mis-specification of the non-stationary seasonal roots
    (31-08-2022) Νικολακάκου, Σοφία-Ειρήνη; Nikolakakou, Sofia-Eirini; Athens University of Economics and Business, Department of Statistics; Vrontos, Ioannis; Pavlopoulos, Charalampos; Ioannidis, Evangelos
    Όταν ασχολούμαστε με τη στοχαστική εποχικότητα, ειδικά στην περίπτωση που υπάρχουν εποχιακές μοναδιαίες ρίζες, μια γνωστή κατηγορία μοντέλων χρονοσειρών που χρησιμοποιούνται για την περιγραφή τους είναι τα λεγόμενα εποχιακά μοντέλα ARIMA (SARIMA), τα οποία χρησιμοποιούνται συχνά ως βάση για προβλέψεις. Μια σημαντική υπόθεση που κάνουν αυτοί οι τύποι μοντέλων είναι η παρουσία μη στάσιμων ριζών σε όλες τις εποχιακές συχνότητες. Ωστόσο, από το έργο των Hylleberg, Engle, Granger και Yoo (1990), φαίνεται πως δεν συμβαίνει αυτό, καθώς πολλές χρονολογικές σειρές δεν έχουν αναγκαστικά εποχιακές μοναδιαίες ρίζες σε όλες τις συχνότητές τους. Ο βασικός στόχος της παρούσας διατριβής είναι να διερευνήσει τις επιπτώσεις στην προγνωστική ικανότητα των μοντέλων, όταν επιβάλλονται στα προσαρμοσμένα μοντέλα περισσότερες μη στάσιμες ή ακόμη και στάσιμες ρίζες από αυτές που υπάρχουν στη διαδικασία παραγωγής δεδομένων. Για την ανάλυση πρόβλεψης εκτός δείγματος, η σύγκριση της συμπεριφοράς των προσαρμοσμένων μοντέλων βασίζεται στο Μέσο Τετράγωνο Σφάλμα Πρόβλεψης καθώς και στη διακύμανση των σφαλμάτων πρόβλεψης. Γενικά διαπιστώνεται πως η υπόθεση και η εκτίμηση περισσότερων μη στάσιμων ριζών, από αυτές που υπάρχουν στην πραγματικότητα, μπορεί να οδηγήσει σε μεγαλύτερα σφάλματα πρόβλεψης, αντιπαραβάλλοντας επομένως την κύρια ιδέα γύρω από την οποία βασίζονται τα μοντέλα SARIMA.