fa بازه های پیشگویی بوت استرپ نیم پارامتری در سری های زمانی آمار و ریاضی Mathematic مقاله استخراج شده از پایان نامه Research Paper یکی از مسائل مهم در تحلیل سری¬های زمانی برآورد بازه¬¬ی پیشگویی بر اساس مشاهدات گذشته است. در سال¬های اخیر، روش¬های متفاوت بوت¬استرپ برای برآورد بازه¬های پیشگویی بدون هیچ فرضی در مورد توزیع خطاها، ارائه شده است. روش¬های بوت¬استرپ نیم پارامتری بر اساس برازش یک مدل اتورگرسیو بر روی داده¬ها است و نمونه¬های بوت¬استرپ با استفاده از بازنمونه¬گیری از باقیمانده¬ها تولید می¬شود. در این مقاله در ابتدا، روش¬های بوت-استرپ ناپارامتری ارائه می¬شوند و سپس در یک مطالعه¬ی شبیه¬سازی بازه¬های پیشگویی بوت¬استرپ نیم پارامتری با بازه¬ی پیشگویی استاندارد گاوسی مقایسه می¬شوند. در نهایت روش¬های ارائه شده برای برآورد بازه¬های پیشگویی داده¬های سری زمانی دمای هوای اصفهان به کار می¬روند. One of the main goals in studying the time series is estimation of prediction interval based on an observed sample path of the process. In recent years, different semiparametric bootstrap methods have been proposed to find the prediction intervals without any assumption of error distribution. In semiparametric bootstrap methods, a linear process is approximated by a autoregressive process. Then the bootstrap samples are generated by resampling from the residuals. <br> <br>In this paper, at first these sieve bootstrap methods are defined and then, in a simulation study sieve bootstrap prediction intervals are compared with a Standard Gaussian prediction interval. at last these methods are used to find the prediction intervals for weather data of Isfahan. <br>One of the main goals in studying the time series is estimation of prediction interval based on an observed sample path of the process. In recent years, different semiparametric bootstrap methods have been proposed to find the prediction intervals without any assumption of error distribution. In semiparametric bootstrap methods, a linear process is approximated by a autoregressive process. Then the bootstrap samples are generated by resampling from the residuals. <br> <br>In this paper, at first these sieve bootstrap methods are defined and then, in a simulation study sieve bootstrap prediction intervals are compared with a Standard Gaussian prediction interval. at last these methods are used to find the prediction intervals for weather data of Isfahan. سری زمانی ARMA , ‌ بازه‌های پیشگویی , بوت استرپ نیم‌پارامتری , شبیه‌سازی مونت کارلو , ARMA Time series , Prediction intervals , Semiparametric Bootstrap , Monte Carlo simulation , 1 12 http://jsci.khu.ac.ir/browse.php?a_code=A-10-142-1&slc_lang=fa&sid=1 Nasrollah Iranpanah نصراله ایران پناه iranpanah@sci.ui.ac.ir 100319475328460016 100319475328460016 Yes اصفهان-دروازه شیراز-دانشگاه اصفهان-ساختمان جدید علوم ریاضی-گروه آمار Parisa Mikelani پریسا میکلانی 100319475328460017 100319475328460017 No دانشجو