Μοντέλα χρονοσειρών και εφαρμογές με χρήση του στατιστικού πακέτου R

Παπαχριστοδούλου, Στέφανος; Papachristodoulou, Stefanos

dc.contributor.author	Παπαχριστοδούλου, Στέφανος	el
dc.contributor.author	Papachristodoulou, Stefanos	en
dc.date.accessioned	2018-06-19T10:08:51Z
dc.date.available	2018-06-19T10:08:51Z
dc.date.issued	2018-06-19
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47082
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15191
dc.rights	Default License
dc.subject	Χρονοσειρές	el
dc.subject	Μοντέλα	el
dc.subject	Προβλέψεις	el
dc.subject	Στατιστική	el
dc.subject	Ανάλυση	el
dc.subject	Timeseries	en
dc.subject	Models	en
dc.subject	Forecasts	en
dc.subject	Statistics	en
dc.subject	R	en
dc.title	Μοντέλα χρονοσειρών και εφαρμογές με χρήση του στατιστικού πακέτου R	el
dc.title	Time series analysis using R	en
heal.type	bachelorThesis
heal.classification	Μαθηματικές μέθοδοι, Μοντέλα προγραμματισμού, Μαθηματικά μοντέλακαι μοντέλα προσομοίωσης	el
heal.classification	Μαθηματικά και άλλα μοντέλα	el
heal.classification	Στατιστική και μαθηματικά	el
heal.classificationURI	http://data.seab.gr/concepts/6ca5fa29c7950767cbdff3b3c2db129576fe533a
heal.classificationURI	http://data.seab.gr/concepts/574f487f82939479b3ea067f3ef3ab91d83e620b
heal.classificationURI	http://data.seab.gr/concepts/612439338f883f5eb6bd1c572627da57a3b10bfb
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-02-23
heal.abstract	Στην παρούσα διπλωματική, παρουσιάζονται κάποιες βασικές εισαγωγικές έννοιες της Ανάλυσης Χρονοσειρών, καθώς και τα συνηθέστερα μονοδιάστατα μοντέλα που προκύπτουν από μελέτες. Σχολιάζονται και αναλύονται οι διαφορές και οι ομοιότητες των μοντέλων αυτών με απώτερο σκοπό την κατανόηση των δυνατοτήτων τους, για να μπορέσουμε να τα συνδυάσουμε κατάλληλα ώστε να περιγράψουμε ικανοποιητικά τα δεδομένα που μελετάμε. Συγκεκριμένα, θα εστιάσουμε στις μεθόδους εντοπισμού μοντέλων, στις μεθόδους εκτιμήσεων των συντελεστών των εν λόγω μοντέλων και στους διαγνωστικούς ελέγχους για καλή προσαρμογή στα δεδομένα. Επίσης θα ασχοληθούμε και με το συνηθέστερο δισδιάστατο μοντέλο, το μοντέλο αυτοπαλινδρόμησης κατανεμημένων υστερήσεων (ADL), που με την χρήση μιας επιπλέον επεξηγηματικής μεταβλητής μας δίνει την δυνατότητα να πετύχουμε καλύτερη ακρίβεια αλλά και να δώσουμε καλύτερη και ακριβέστερη ερμηνεία στο πως συνδέονται τα προς μελέτη μεγέθη. Αφού παρουσιαστεί η απαραίτητη θεωρία, θα προχωρήσουμε σε εφαρμογές των μοντέλων αυτών σε πραγματικά δεδομένα με την χρήση του Στατιστικού Πακέτου R, κατά τις οποίες ο σκοπός μας θα είναι να δημιουργήσουμε κατάλληλα μοντέλα που περιγράφουν επαρκώς τα δεδομένα μας ώστε να τα χρησιμοποιήσουμε για μελλοντικές προβλέψεις. Στις εφαρμογές αυτές θα γίνει προσπάθεια αναλυτικής και σταδιακής παρουσίασης της μεθοδολογίας που θα ακολουθηθεί, ώστε να επιτευχθεί πλήρης κατανόηση της όλης διαδικασίας κατασκευής των μοντέλων. Στο τέλος κάθε εφαρμογής, θα δίνονται κάποιες προβλέψεις οι οποίες θα αντιπαρατίθενται με τις πραγματικές τιμές που παρατηρήθηκαν, και θα παρουσιάζονται κάποιες ερμηνείες και αποτελέσματα βάση των μοντέλων που επιλέχθηκαν.	el
heal.abstract	In the current dissertation, we introduce some basic ideas of Time Series Analysis as well as the most common univariate models. We then proceed to discuss about the distinctions and similarities of those models, to explore their capabilities and by combining them accurately, to be able to produce models that represent our given data as best as possible. Specifically, we will focus in model identification techniques, methods of estimating the coefficients of the studied models and the diagnostic checks to confirm the model’s good fit to the data. Furthermore, the most common bivariate model will be presented and studied, the Autoregressive Distributive Lag Model (ADL), which, with the use of an additional exogenous explanatory variable to the model, enables us to achieve better accuracy but also to give a better and more concrete interpretation of the relationship between the main and the exogenous variable. Once the necessary theory has been put forward, we will proceed to applications of the mentioned models into real data, using the Statistical Package R. Our main objective is to construct appropriate and well-behaved models that fit the data in order to be able to use them for future predictions. In those applications, an attempt will be made to analytically present every step of the followed process, to achieve better understanding. At the end of each application we will compare forecasts that occurred from the model versus the actual values that were observed in the future, and in addition, we will include some interpretations based on the resulting model.	en
heal.advisorName	Φουσκάκης, Δημήτρης	el
heal.committeeMemberName	Φουσκάκης, Δημήτρης	el
heal.committeeMemberName	Παπαπαντολέων, Αντώνης	el
heal.committeeMemberName	Λουλάκης, Μιχαήλ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	94 σ.
heal.fullTextAvailability	true