بازه های پیش‌گویی بوت استرپ نیم ارامتری در سری های زمانی

یکی از مسائل مهم در تحلیل سری های زمانی برآورد بازۀ پیش گویی آینده بر اساس مشاهدات گذشته است. در سال های اخیر، روش های مختلف بوت استرپ برای برآورد بازه های پیش گویی بدون هیچ فرضی در بارۀ 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 باقی مانده ها تولید می شود. در این مقاله در ابتدا، روش های بوت استرپ نیم پارامتری ارائه می شوند. سپس در پژوهشی شبیه سازی بازه های پیش گویی بوت استرپ نیم پارامتری با بازۀ پیش گویی استاندارد مقایسه می شوند. در نهایت روش های ارائه شده برای برآورد بازه های پیش گویی آینده داده های سری زمانی دمای هوای اصفهان به کار می روند.

Semiparametric Bootstrap Prediction Intervals in time Series

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.