بازه هاي پيش گويي بوت استرپ نيم ارامتري در سري هاي زماني

Semiparametric Bootstrap Prediction Intervals in time Series

يكي از مسائل مهم در تحليل سري­ هاي زماني برآورد بازه پيش گويي آينده بر اساس مشاهدات گذشته است. در سال­ هاي اخير، روش ­هاي مختلف بوت­استرپ براي برآورد بازه­ هاي پيش گويي بدون هيچ فرضي در باره توزيع خطاها، ارائه شده است. روش ­هاي بوت­استرپ نيم پارامتري بر اساس برازش يك مدل اتورگرسيو بر روي داده­ها است و نمونه ­هاي بوت­استرپ با استفاده از بازنمونه­ گيري از باقي مانده ­ها توليد مي­ شود. در اين مقاله در ابتدا، روش هاي بوت­استرپ نيم پارامتري ارائه مي­ شوند. سپس در پژوهشي شبيه­ سازي بازه­ هاي پيش گويي بوت­استرپ نيم پارامتري با بازه پيش گويي استاندارد مقايسه مي­ شوند. در نهايت روش ­هاي ارائه شده براي برآورد بازه­ هاي پيش گويي آينده داده هاي سري زماني دماي هواي اصفهان به كار مي ­روند.

One of the main goals of 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 an autoregressive process. Then the bootstrap samples are generated by resampling from the residuals. In this paper، 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. Finally، these methods are used to find the prediction intervals for weather data of Isfahan.