| Kursa nosaukums | Laikrindu analīze |
| Kursa kods | Mate3006 |
| Zinātnes nozare | Matemātika |
| Zinātnes apakšnozare | Varbūtību teorija un matemātiskā statistika |
| Kredītpunkti (ECTS) | 3 |
| Kopējais stundu skaits kursā | 81 |
| Studenta patstāvīgā darba stundu skaits | 81 |
| Priekšzināšanas Kursam priekšzināšanas nav nepieciešamas |
|
| Kursa anotācija | |
| Studenti iegūst zināšanas laika rindu izpētes metodēs. Šī kursa galvenā uzmanība ir pievērsta laika rindu apstrādei un analīzei. Kursa ietvaros tiks parādīti, kā laika rindu metodes var pielietot praktisko problēmu un uzdevumu risināšanā, izmantojot MS Excel un statistisko datu apstrādes paketi SPSS 10.0. | |
| Kursa saturs(kalendārs) | |
| 1 Slīdoša vidēja metodes: pirmās kārtas slīdoša vidējais MA(1), centrētais un svērtais slīdošais vidējais.
2 Eksponenciālais izildzinājums: parastais modelis, Holta modelis, Vintera modelis. 3 Dekompozīcijas metodes: trenda, cikliskā, sezonāla un kļūdas komponentes. 4 Stacionāri procesi un autokorelācija: AR(1), MA(q), AR(p). 5 Jauktie autoregresīvie slīdošā vidējā procesi ARMA(p,q). 6 Nestacionāru laikrindu modeļi. Dickey-Fuller tests. Dispersiju stabilitāte. Diferenču operators I(d). 7 Autoregresīvie integrētie slīdošā vidējā procesi ARIMA (p,d,q). 8 Box-Jenkins metodoloģija: identifikācija, novērtēšana un diagnostika. Autokorelācijas funkcija ACF. 9 ACF un PACF standārtkļūdas. Korelogrāma. Q statistika. Parciālo autokorelāciju funkcija PACF. 10 1.kontroldarbs:Laikrindu modeļa izvēle, to parametru novērtēšana un modeļa pārbaude. 11 Autoregresīvo AR(p) modeļu identifikācija. Slīdoša vidēja modeļa identifikācija MA(q). 12 Jaukto autoregresīvo slīdošā vidējā ARMA(p,q) modeļa identifikācija. 13 Sezonālās ARIMA modeļi: cikliskums, sezonālā nestacionaritāte, sezonālā diferenciācija. 14 ARIMA procesu prognozēšana: Prognozēšanas kļūdas. Prognozēšanas ticamības intervāls. 15 AR(1) modeļa prognozēšana. ARIMA(0,1,1) modeļa prognozēšana. 16 2.kontroldarbs: ARIMA procesu prognozēšana. |
|
| Prasības kredītpunktu iegūšanai | |
| Jābūt uzrakstītiem diviem kontroldarbiem. | |
| Obligātā literatūra | |
| 1. Abakuks A., Neimanis V. Laikrindu analīze. Rīga, Latvijas Valsts universitāte, 1992.
2. Yaffee Robert A., Monnie McGee. Introduction to Time series Analysis and Forecasting with applications of SAS and SPSS. Academic Press, 2000. 3. Андерсен Т. Статистический анализ временных рядов. Перевод с английского. Москва. Издательство «Мир», 1976. 4. Кенделл М. Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. Перевод с английского. Москва. Издательство «Наука», 1976. |
|
| Papildliteratūra | |
| 1. Box G.E.P., Jenkins G.M. Time series analysis: forecasting and control. Revised Edition, Holden-Day, San Francisco, 1976.
2. Chatfield C. The analysis of time series: theory and practice, 4th Edition, Chapman and Hall, London, 1989. 3. Harvey A.C. Time series models. Philip Allan, Oxford, 1981. 4. Вайрн Я.Я.-Ф. Корреляция рядов динамики. М., Статистика, 1977. |
|
| Periodika un citi informācijas avoti | |
| 1. Latvijas statistikas gadagrāmata. LR Centrālā statistikas pārvalde. Rīga. | |
| Piezīmes | |
| Priekšmets iekļauts ITF akadēmiskas studiju programmas "Datorvadība un datorzinātne" izvēles daļā, 6.semestrī. | |