Uzun Dönem Bağımlı Normal Akgürültü Sürecinde Otokorelasyon Regresyonu ile Parametre Tahmini

Eğrioğlu, Erol; Günay, Süleyman

Görüntüleme (gezinme ile): 2 -- Görüntüleme (arama ile): -- IP: 3.135.216.174 -- Ziyaretçi Sayısı:

Özgün Başlık
Uzun Dönem Bağımlı Normal Akgürültü Sürecinde Otokorelasyon Regresyonu ile Parametre Tahmini

Yazarlar
Erol Eğrioğlu, Süleyman Günay

Dergi Adı
Eskişehir Teknik Üniversitesi Bilim ve Teknoloji Dergisi A - Uygulamalı Bilimler ve Mühendislik - ESTUJST-A

Cilt
2005, Cilt 6, Sayı 1, ss. 61-66

Anahtar Kelimeler
Otokorelasyon Regresyonu ; Logaritmik Pediogram Regresyonu ; Arfıma

Özet
Uzun dönem bağımlı normal akgürültü sürecinden elde edilen parametre tahmini kullanılarak, fraksiyonel otoregresif hareketli ortalama süreçlerinin parametreleri yarı parametrik olarak tahmin edilebilir. Uzun dönem bağımlı normal akgürültü sürecinde parametre tahmini için korelogram grafiği çok ender kullanılmaktadır. Bu çalışmada korelogram grafiği kullanılarak uzun dönem bağımlılığı belirlemek yerine otokorelasyonların mutlak değerinin logaritmasının gecikmelerin logaritması üzerine basit doğrusal regresyonunu gerçekleştirerek uzun dönem bağımlılık parametresi tahmin edildi ve bu yöntem için tahmin edicinin özellikleri bir similasyon çalışması ile incelendi. Yapay veriler kullanılarak logaritmik pediogram regresyonu yöntemi ile otokorelasyon regresyonu yöntemi karşılaştırıldı. Otokorelasyon regresyonunun logaritmik pediogram regresyonundan daha üstün olduğu durumlar ortaya çıkarıldı.

Başlık (Yabancı Dil)
Parameter Estimation With Autocorrelation Regression in Long Range Dependence Normal White Noise Process

Anahtar Kelimeler (Yabancı Dil)
Autocorrelation Regression ; Logarithm Pediogram Regression ; Arfima

Özet (Yabancı Dil)
It is possible that estimating the parameters is long range normal white noise process can lead to obtain semi parametric estimates of parameters of fractionally autoregressive moving avarege processes. Corelogram is hardly used to estimate parameters in long range dependence normal white noise processes. In this study instead of using corelogram autocorrelation, autocorrelation regression method is employed. The linear regression function is constructed based on taking the logarithm of absolute values of autocorrelations and lags of logarithms. The features of this estimator are examined with a simulation study. Pediogram regression method and autocorrelation regression method are compared using artifical data. Under some circumstances autocorrelation regression is supperior than logarithm pediogram regression.