1. SylabUZ
2. Wydział Matematyki, Informatyki i Ekonometrii
3. semestr zimowy 2022/2023
4. WMIiE - oferta ERASMUS - Program Erasmus
5. Time Series Modeling

Wygeneruj PDF dla tej strony

Time Series Modeling - opis przedmiotu

Cel przedmiotu

The purpose of this course is to get acquainted with the modeling of time series, and basic methods of forecasting them.
 

Wymagania wstępne

Zapisz zmiany

Probability theory and mathematical statistics.

Zakres tematyczny

Lecture and Laboratory

1. The multiple linear regression linear models. Explanatory variables, explained variables, tests of significance of single and groups of variables; (3 hours)
2. Linear time series. Stationary time series, Autocorrelation Function, Partial Autocorrelation Function, spectral properties of time series, spectrum, spectral density, periodogram.  (3 hours)
3. Autoregressive models AR(p), stationarity conditions, Autocorrelation Function, spectrum,  Yule’a-Walker formula,  Partial Autocorrelation Functions, identifications of AR models, preliminary estimation of parameters. (3 hours)
4. Moving average models MA(q), invertibility conditions, Autocorrelation Function, spectrum, identifications of MA models, preliminary estimation of parameters. (3 hours)
5. Mixed models ARMA(p,q): stationarity and invertibility conditions, Autocorrelation, Partial Autocorrelation, spectrum, identification of ARMA, final estimation of parameters, forecasting. (3 hours)
6. Classical decomposition model. Moving average and exponential smoothing for data preparations, estimation of seasonality, final estimation of parameters of trend, forecasting.
7. Linear nonstationary models ARIMA(p,d,q). (3 hours.)

Metody kształcenia

Traditional lecture. In Laboratory we use the package GRETL or R for solving the problems.

 

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

To evaluate the laboratory, the student prepares a report with an example of a forecasting model and solves it by applying time-series analysis. To evaluate the lecture, the student passes a test of multiple choice.  The final mark is equal to the arithmetic mean of marks from the laboratory and lecture, provided both are positive. 

Literatura podstawowa

G. E. P. Box, G. M. Jenkins, Analiza szeregów czasowych. Prognozowanie i sterowanie, PWN, Warszawa, 1983.

T. Kufel, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu Gretl, PWN, Warszawa, 2007.

 

Literatura uzupełniająca

P .J. Brockwell, R. A. Davis, Introduction to time series and forecasting, Springer, New York, 2002.
G. Kirchgaessner, J. Wolters, Introduction to modern time series analysis, Springer, Berlin, 2007.

Uwagi

P .J. Brockwell, R. A. Davis, Introduction to time series and forecasting, Springer, New York, 2002.
G. Kirchgaessner, J. Wolters, Introduction to modern time series analysis, Springer, Berlin, 2007.

Zmodyfikowane przez dr hab. inż. Łukasz Balbus, prof. UZ (ostatnia modyfikacja: 27-04-2022 01:32)