如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|The space–time AR (STAR) model

Similar to the regularization methods that control the values of parameters, when modeling time series associated with spaces or locations, it is very likely that many elements of $\boldsymbol{\Phi}k$ are not significantly different from zero for pairs of locations that are spatially far away and uncorrelated given information from other locations. Thus, a model incorporating spatial information is not only helpful for parameter estimation, but also for dimension reduction and forecasting. For a zero-mean stationary spatial time series, the space-time autoregressive moving average STARMA $\left(p{a_1, \ldots, a_p}, q_{m_1, \ldots, m_q}\right)$ model is defined by
$$
\mathbf{Z}t=\sum{k=1}^p \sum_{\ell=0}^{a_k} \phi_{k, \ell} \mathbf{W}^{(\ell)} \mathbf{Z}{t-k}+\mathbf{a}_t-\sum{k=1}^q \sum_{\ell=0}^{m_k} \theta_{k, \ell} \mathbf{W}^{(\ell)} \mathbf{a}{t-k}, $$ where the zeros of $\operatorname{det}\left(\mathbf{I}-\sum{k=1}^p \sum_{\ell=0}^{a_k} \phi_{k, \ell} \mathbf{W}^{(\ell)} B^k\right)=0$ lie outside the unit circle, $\mathbf{a}t$ is a Gaussian vector white noise process with zero-mean vector $\mathbf{0}$, and covariance matrix structure $$ E\left[\mathbf{a}_t \mathbf{a}{t+k}^{\prime}\right]=\left{\begin{array}{l}
\boldsymbol{\varepsilon}, \text { if } k=0, \
\mathbf{0}, \text { if } k \neq 0,
\end{array}\right.
$$
and $\boldsymbol{\varepsilon}$ is an $m \times m$ symmetric positive definite matrix. The STARMA $\left(p_{a_1, \ldots, a_p}, q_{m_1, \ldots, m_q}\right)$ model becomes a space-time autoregressive $\operatorname{STAR}\left(p_{a_1, \ldots, a_p}\right)$ model when $q=0$. The STAR models were first introduced by Cliff and Ord (1975) and further extended to STARMA models by Pfeifer and Deutsch (1980a, b, c). Since a stationary model can be approximated by an autoregressive model, because of its easier interpretation, the most widely used STARMA models in practice are $\operatorname{STAR}\left(p_{a_1, \ldots, a_p}\right)$ models,
$$
\mathbf{Z}t=\sum{k=1}^p \sum_{\ell=0}^{a_k} \phi_{k, \ell} \mathbf{W}^{(\ell)} \mathbf{Z}_{t-k}+\mathbf{a}_t,
$$
where $\mathbf{Z}_t$ is a zero-mean stationary spatial time series or a proper differenced and transformed series of a nonstationary spatial time series.

统计代写|时间序列分析代写Time-Series Analysis代考|The model-based cluster method

Clustering or cluster analysis is a methodology that has been used by researchers to group data into homogeneous groups for a long time and may have originated in the fields of anthropology and psychology. There are many methods of clustering, including subjective observation and various distance methods for similarity. Earlier works include Tryon (1939), Cattell (1943), Ward (1963), Macqueen (1967), McLachlan and Basford (1988), among others. We will discuss these further in the last section. These methods were extended to the model-based cluster approach with an associated probability distribution by researchers including Banfield and Raftery (1993), Fraley and Raftery (2002), Wang and Zhou (2008), Scrucca (2010), and others. More recently, Wang et al. (2013) introduced a robust model-based clustering method for forecasting high-dimensional time series, and in this section, we will use their approach as an illustration. Let $p_h$ be the probability a time series belongs to cluster $h$. The method first groups multiple time series into $H$ mutually exclusive clusters, $\sum_{h=1}^H p_h=1$, and assumes that each mean adjusted time series in a given cluster follows the same $\operatorname{AR}(p)$ model. Thus, for the $i$ th time series that is in cluster $h$, we have,
$$
Z_{i, t}=\sum_{k=1}^p \phi_k^{(h)} Z_{i, t-k}+\sigma_h \varepsilon_{i, t}, \text { for } t=p+1, \ldots, n,
$$
where $h=1,2, \ldots, H$, the $\varepsilon_{i, t}$ are $i . i . d . N(0,1)$ random variables, independent across time and series. Let $\boldsymbol{\theta}_h=\left(\phi_1^{(h)}, \phi_2^{(h)}, \ldots, \phi_p^{(h)}, \sigma^{(h)}\right)$ be the vector of all parameters in cluster $h$, and $\boldsymbol{\Theta}=$ $\left(\boldsymbol{\theta}_1, \ldots, \boldsymbol{\theta}_H, \boldsymbol{\eta}\right)$, where $\boldsymbol{\eta}=\left(p_1, \ldots, p_H\right)$. The estimation procedure is accomplished through the Bayesian Markov Chain and Monte Carlo method.

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|The space–time AR (STAR) model

与控制参数值的正则化方法类似，在对与空间或位置相关的时间序列进行建模时，对于空间距离较远且给定来自其他位置的不相关信息的位置对，$\boldsymbol{\Phi}k$的许多元素很可能与零没有显著差异。因此，一个包含空间信息的模型不仅有助于参数估计，而且有助于降维和预测。对于零均值平稳空间时间序列，时空自回归移动平均STARMA $\left(p{a_1, \ldots, a_p}, q_{m_1, \ldots, m_q}\right)$模型定义为
$$
\mathbf{Z}t=\sum{k=1}^p \sum_{\ell=0}^{a_k} \phi_{k, \ell} \mathbf{W}^{(\ell)} \mathbf{Z}{t-k}+\mathbf{a}t-\sum{k=1}^q \sum{\ell=0}^{m_k} \theta_{k, \ell} \mathbf{W}^{(\ell)} \mathbf{a}{t-k}, $$其中$\operatorname{det}\left(\mathbf{I}-\sum{k=1}^p \sum_{\ell=0}^{a_k} \phi_{k, \ell} \mathbf{W}^{(\ell)} B^k\right)=0$的零点位于单位圆外，$\mathbf{a}t$为高斯矢量白噪声过程，均值为零的矢量$\mathbf{0}$，协方差矩阵结构$$ E\left[\mathbf{a}t \mathbf{a}{t+k}^{\prime}\right]=\left{\begin{array}{l} \boldsymbol{\varepsilon}, \text { if } k=0, \ \mathbf{0}, \text { if } k \neq 0, \end{array}\right. $$ $\boldsymbol{\varepsilon}$是一个$m \times m$对称正定矩阵。当$q=0$。时，STARMA $\left(p{a_1, \ldots, a_p}, q_{m_1, \ldots, m_q}\right)$模型成为时空自回归$\operatorname{STAR}\left(p_{a_1, \ldots, a_p}\right)$模型。STAR模型最早由Cliff和Ord(1975)提出，并由Pfeifer和Deutsch (1980a, b, c)进一步扩展到STARMA模型。由于平稳模型可以用自回归模型近似，由于其更容易解释，因此在实践中使用最广泛的STARMA模型是$\operatorname{STAR}\left(p_{a_1, \ldots, a_p}\right)$模型。
$$
\mathbf{Z}t=\sum{k=1}^p \sum_{\ell=0}^{a_k} \phi_{k, \ell} \mathbf{W}^{(\ell)} \mathbf{Z}_{t-k}+\mathbf{a}_t,
$$
式中$\mathbf{Z}_t$为零均值平稳空间时间序列或非平稳空间时间序列的固有微分变换序列。

统计代写|时间序列分析代写Time-Series Analysis代考|The model-based cluster method

聚类或聚类分析是一种长期以来被研究人员用于将数据分组为同类组的方法，可能起源于人类学和心理学领域。聚类的方法有很多，包括主观观察法和各种距离法。早期作品包括特赖恩(1939)、卡特尔(1943)、沃德(1963)、麦奎因(1967)、麦克拉克兰和贝斯福德(1988)等。我们将在最后一节进一步讨论这些问题。这些方法被Banfield和Raftery(1993)、Fraley和Raftery(2002)、Wang和Zhou(2008)、Scrucca(2010)等研究人员扩展到基于模型的相关概率分布的聚类方法。最近，Wang等人(2013)引入了一种鲁棒的基于模型的聚类方法来预测高维时间序列，在本节中，我们将使用他们的方法作为说明。设$p_h$为时间序列属于集群$h$的概率。该方法首先将多个时间序列分组为$H$互斥的聚类$\sum_{h=1}^H p_h=1$，并假设给定聚类中的每个平均调整时间序列遵循相同的$\operatorname{AR}(p)$模型。因此，对于$i$在集群$h$中的时间序列，我们有，
$$
Z_{i, t}=\sum_{k=1}^p \phi_k^{(h)} Z_{i, t-k}+\sigma_h \varepsilon_{i, t}, \text { for } t=p+1, \ldots, n,
$$
式中$h=1,2, \ldots, H$、$\varepsilon_{i, t}$为$i . i . d . N(0,1)$随机变量，在时间和序列上独立。设$\boldsymbol{\theta}_h=\left(\phi_1^{(h)}, \phi_2^{(h)}, \ldots, \phi_p^{(h)}, \sigma^{(h)}\right)$为集群$h$中所有参数的向量，$\boldsymbol{\Theta}=$$\left(\boldsymbol{\theta}_1, \ldots, \boldsymbol{\theta}_H, \boldsymbol{\eta}\right)$，其中$\boldsymbol{\eta}=\left(p_1, \ldots, p_H\right)$。估计过程通过贝叶斯马尔可夫链和蒙特卡罗方法完成。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Time-varying autoregressive model

One of the methods used in Dahlhaus (2000) is the time-varying VARMA $(p, q)$ model. For a vector autoregressive model $\operatorname{VAR}(p)$, it is defined by
$$
\mathbf{Z}t=\boldsymbol{\mu}(t / n)+\sum{j=1}^p \boldsymbol{\Phi}j(t / n)\left[\mathbf{Z}{t-j}-\boldsymbol{\mu}[(t-j)]+\boldsymbol{\Sigma}(t / n) \boldsymbol{\varepsilon}t, t=1, \ldots, n,\right. $$ where $\boldsymbol{\varepsilon}_t$ are $m$-dimensional independent random variable with mean zero and unit variance $\mathbf{I}$. In addition, we assume some smoothness conditions on $\boldsymbol{\Sigma}(\cdot)$ and $\boldsymbol{\Phi}_j(\cdot)$. In some neighborhood of a fixed time point $u_0=t_0 / n$, the process $\mathbf{Z}_t$ can be approximated by the stationary process $\mathbf{Z}_t\left(u_0\right)$ given by $$ \mathbf{Z}_t\left(u_0\right)=\boldsymbol{\mu}\left(u_0\right)+\sum{j=1}^p \boldsymbol{\Phi}j\left(u_0\right)\left[\mathbf{Z}{t-j}\left(u_0\right)-\boldsymbol{\mu}\left(u_0\right)+\boldsymbol{\Sigma}\left(u_0\right) \boldsymbol{\varepsilon}_t, t=1, \ldots, n .\right.
$$
$\mathbf{Z}_t$ has a unique time-varying power spectrum, which is locally the same as the power spectrum of $\mathbf{Z}_t(u)$, that is,
$$
\mathbf{f}(u, \omega)=\left[\boldsymbol{\Phi}\left(u, e^{-i \omega}\right)\right]^{-1} \boldsymbol{\Sigma}(u)\left{\left[\boldsymbol{\Phi}\left(u, e^{-i \omega}\right)\right]^{-1}\right}^*,
$$

where $u=t / n$, and
$$
\boldsymbol{\Phi}(u, B)=\left(\mathbf{I}-\boldsymbol{\Phi}1(u, B)-\cdots-\boldsymbol{\Phi}_p\left(u, B^p\right)\right) . $$ Similarly, the locally covariance matrix is $$ \boldsymbol{\Gamma}(u, j)=\int{-\pi}^\pi \mathbf{f}(u, \omega) \exp (j i \omega) d \omega .
$$
Based on this statement, the time-varying spectrum can be obtained by estimating the timevarying parameters of the VAR model. For more properties of the estimation based on timevarying VARMA $(p, q), \operatorname{VAR}(p)$, and $\operatorname{VMA}(q)$ models, we refer readers to Dahlhaus (2000).

统计代写|时间序列分析代写Time-Series Analysis代考|Smoothing spline ANOVA model

Based on the locally stationary process, the time-varying spectrum can also be estimated nonparametrically via the smoothing spline Analysis of Variance (ANOVA) model by Guo and Dai (2006). However, their definition of locally stationary process is slightly different from Dahlhaus (2000). In Section 9.5.2, we mentioned that Dahlhaus (2000) assumes a series of transfer functions $\mathbf{A}^0(t / n, \omega)$ that converge to a large-sample transfer function $\mathbf{A}(u, \omega)$ in order to allow for the fitting of parametric models. Since Guo and Dai (2006) considered a nonparametric estimation, they used $\mathbf{A}(u, \omega)$ directly.

Definition 9.2 Without loss of generality, the $m$-dimensional zero-mean time series of length $n,\left{\mathbf{Z}t: t=1, \ldots, n\right}$, is called locally stationary if $$ \mathbf{Z}_t=\int{-\pi}^\pi \mathbf{A}(t / n, \omega) \exp (i \omega t) d \mathbf{U}(\omega),
$$
where we assume that the cumulants of $d \mathbf{U}(\omega)$ exists and are bounded for all orders. For the details, please see Brillinger (2002), and Guo and Dai (2006).

Based on this definition, the smoothing ANOVA model takes a two-stage estimation procedure. At the first stage, the locally stationary process is approximated by piecewise stationary time series with small blocks to obtain initial spectrum estimates and the Cholesky decomposition. The initial spectrum estimates are obtained by the multitaper method to reduce variance. At the second stage, each element of the Cholesky decomposition is treated as a bivariate smooth function of time and frequency and is modeled by the smoothing spline ANOVA model by Gu and Wahba (1993). The final estimated time-varying spectrum is reconstructed from the smoothed elements of the Cholesky decomposition. Thus, the method provides a way to ensure the final estimate of the multivariate spectrum is positive-definite while allowing enough flexibility in the smoothness of its elements.

We shall briefly discuss the smoothing spline ANOVA step. Suppose the spectral matrix $\widetilde{\mathbf{f}}(u, \omega)$ has the Cholesky decomposition such that $\widetilde{\mathbf{f}}(u, \omega)=\mathbf{L}(u, \omega) \mathbf{L}(u, \omega)^*$, where $\mathbf{L}(u, \omega)$ is a $m \times m$ lower triangular matrix. The method smooths the diagonal elements $\gamma_{j, j}(u, \omega), j=1, \ldots, m$, the real part of $\gamma_{j, k}(u, \omega), \mathfrak{R}\left{\gamma_{j, k}(u, \omega)\right}$, and the imaginary part of $\gamma_{j, k}(u, \omega), \mathfrak{J}\left{\gamma_{j, k}(u, \omega)\right}$, for $j>k$ separately with their own smoothing parameters. Let $\gamma(u, \omega) \in\left{\gamma_{j, j}(u, \omega), \mathfrak{R}\left(\gamma_{j, k}\right)(u, \omega), \mathfrak{\Im}\left(\gamma_{j, k}\right)\right.$ $(u, \omega), j>k$, for $j, k=1, \ldots, m}$. We have
$$
\gamma(u, \omega)=a(u, \omega)+\varepsilon(u, \omega),
$$where $a(u, \omega)$ is the corresponding Cholesky decomposition element of the spectrum, such that $a(u, \omega)=E{\gamma(u, \omega)}$, the $\varepsilon(u, \omega)$ are independent errors with zero-mean and the variance depending on the time-frequency point $(u, \omega)$.

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Time-varying autoregressive model

Dahlhaus(2000)使用的方法之一是时变VARMA $(p, q)$模型。对于向量自回归模型$\operatorname{VAR}(p)$，定义为
$$
\mathbf{Z}t=\boldsymbol{\mu}(t / n)+\sum{j=1}^p \boldsymbol{\Phi}j(t / n)\left[\mathbf{Z}{t-j}-\boldsymbol{\mu}[(t-j)]+\boldsymbol{\Sigma}(t / n) \boldsymbol{\varepsilon}t, t=1, \ldots, n,\right. $$式中$\boldsymbol{\varepsilon}_t$为$m$维独立随机变量，均值为零，单位方差为$\mathbf{I}$。此外，我们假设在$\boldsymbol{\Sigma}(\cdot)$和$\boldsymbol{\Phi}_j(\cdot)$上有一些平滑条件。在一个固定时间点$u_0=t_0 / n$的邻域内，过程$\mathbf{Z}_t$可以近似为由$$ \mathbf{Z}_t\left(u_0\right)=\boldsymbol{\mu}\left(u_0\right)+\sum{j=1}^p \boldsymbol{\Phi}j\left(u_0\right)\left[\mathbf{Z}{t-j}\left(u_0\right)-\boldsymbol{\mu}\left(u_0\right)+\boldsymbol{\Sigma}\left(u_0\right) \boldsymbol{\varepsilon}_t, t=1, \ldots, n .\right.
$$给出的平稳过程$\mathbf{Z}_t\left(u_0\right)$
$\mathbf{Z}_t$具有唯一的时变功率谱，它与$\mathbf{Z}_t(u)$的功率谱局部相同，即:
$$
\mathbf{f}(u, \omega)=\left[\boldsymbol{\Phi}\left(u, e^{-i \omega}\right)\right]^{-1} \boldsymbol{\Sigma}(u)\left{\left[\boldsymbol{\Phi}\left(u, e^{-i \omega}\right)\right]^{-1}\right}^*,
$$

其中$u=t / n$，和
$$
\boldsymbol{\Phi}(u, B)=\left(\mathbf{I}-\boldsymbol{\Phi}1(u, B)-\cdots-\boldsymbol{\Phi}_p\left(u, B^p\right)\right) . $$同样，局部协方差矩阵为$$ \boldsymbol{\Gamma}(u, j)=\int{-\pi}^\pi \mathbf{f}(u, \omega) \exp (j i \omega) d \omega .
$$
基于这种说法，可以通过估计VAR模型的时变参数得到时变谱。关于基于时变VARMA $(p, q), \operatorname{VAR}(p)$和$\operatorname{VMA}(q)$模型的估计的更多性质，我们请读者参考Dahlhaus(2000)。

统计代写|时间序列分析代写Time-Series Analysis代考|Smoothing spline ANOVA model

基于局部平稳过程，还可以通过Guo和Dai(2006)的平滑样条方差分析(ANOVA)模型非参数地估计时变谱。然而，他们对局部平稳过程的定义与Dahlhaus(2000)略有不同。在第9.5.2节中，我们提到Dahlhaus(2000)假设一系列传递函数$\mathbf{A}^0(t / n, \omega)$收敛于一个大样本传递函数$\mathbf{A}(u, \omega)$，以便允许参数模型的拟合。由于Guo和Dai(2006)考虑了非参数估计，他们直接使用$\mathbf{A}(u, \omega)$。

定义9.2在不丧失一般性的前提下，长度为$n,\left{\mathbf{Z}t: t=1, \ldots, n\right}$的$m$维零平均时间序列，如果$$ \mathbf{Z}_t=\int{-\pi}^\pi \mathbf{A}(t / n, \omega) \exp (i \omega t) d \mathbf{U}(\omega),
$$，则称为局部平稳
其中我们假设$d \mathbf{U}(\omega)$的累积量存在并且对所有阶都有界。详情请参见Brillinger(2002)和Guo and Dai(2006)。

基于这一定义，平滑方差分析模型采用两阶段估计过程。第一阶段，用小块分段平稳时间序列逼近局部平稳过程，得到初始谱估计和Cholesky分解;初始谱估计采用多锥度法来减小方差。在第二阶段，Cholesky分解的每个元素被视为时间和频率的二元光滑函数，并由Gu和Wahba(1993)的平滑样条方差分析模型建模。最后估计的时变谱由Cholesky分解的光滑元素重建。因此，该方法提供了一种方法，以确保多元谱的最终估计是正定的，同时在其元素的平滑度方面允许足够的灵活性。

我们将简要讨论平滑样条方差分析步骤。假设谱矩阵$\widetilde{\mathbf{f}}(u, \omega)$具有如下的Cholesky分解$\widetilde{\mathbf{f}}(u, \omega)=\mathbf{L}(u, \omega) \mathbf{L}(u, \omega)^*$，其中$\mathbf{L}(u, \omega)$是一个$m \times m$下三角矩阵。该方法分别对$j>k$的对角线元素$\gamma_{j, j}(u, \omega), j=1, \ldots, m$、$\gamma_{j, k}(u, \omega), \mathfrak{R}\left{\gamma_{j, k}(u, \omega)\right}$的实部和$\gamma_{j, k}(u, \omega), \mathfrak{J}\left{\gamma_{j, k}(u, \omega)\right}$的虚部进行平滑，并使用各自的平滑参数。让$\gamma(u, \omega) \in\left{\gamma_{j, j}(u, \omega), \mathfrak{R}\left(\gamma_{j, k}\right)(u, \omega), \mathfrak{\Im}\left(\gamma_{j, k}\right)\right.$$(u, \omega), j>k$，为$j, k=1, \ldots, m}$。我们有
$$
\gamma(u, \omega)=a(u, \omega)+\varepsilon(u, \omega),
$$其中$a(u, \omega)$为频谱对应的Cholesky分解元素，使得$a(u, \omega)=E{\gamma(u, \omega)}$、$\varepsilon(u, \omega)$为零均值的独立误差，方差依赖于时频点$(u, \omega)$。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Smoothing spline

The main disadvantage of the kernel smoothing method and the multitaper smoothing method is that they cannot guarantee that the final estimate is positive semidefinite while allowing flexible smoothing for each element of the spectral matrix. Thus, the same bandwidth is often applied to smoothing all the spectral components. However, in many applications, different components of the spectral matrix may need different smoothnesses, and require different smoothing parameters to get optimal estimates. To overcome this difficulty, Dai and Guo (2004) proposed a Cholesky decomposition based smoothing spline method for the spectrum estimation. The method models each Cholesky component separately by using different smoothing parameters. The method first obtains positive-definite and asymptotically unbiased initial spectral estimator $\widetilde{\mathbf{f}}_M(\omega)$ through sine multitapers as shown in Eq. (9.65). Then, it further smooths the Cholesky components of the spectral matrix via the smoothing spline and penalized sum of squares, which allows different degrees of smoothness for different Cholesky elements.

Suppose the spectral matrix $\tilde{\mathbf{f}}(\omega)$ has Cholesky decomposition such that $\widetilde{\mathbf{f}}(\omega)=\boldsymbol{\Gamma}^*$, where $\boldsymbol{\Gamma}$ is $m \times m$ lower triangular matrix. To obtain unique decomposition, the diagonal elements of $\boldsymbol{\Gamma}$ are constrained to be positive. The diagonal elements $\gamma_{j, j}, j=1, \ldots, m$, the real part of $\gamma_{j, k}, \mathfrak{R}\left(\gamma_{j, k}\right)$, and imaginary part of $\gamma_{j, k}, \mathfrak{T}\left(\gamma_{j, k}\right), j>k$ are smoothed by spline with different smoothing parameters. Suppose $\gamma \in\left{\gamma_{j, j}, \mathfrak{R}\left(\gamma_{j, k}\right), \mathfrak{\Im}\left(\gamma_{j, k}\right), j>k\right.$, for $\left.j, k=1, \ldots, m\right}$, we have
$$
\gamma\left(\omega_{\ell}\right)=a\left(\omega_{\ell}\right)+e\left(\omega_{\ell}\right)
$$
where $a\left(\omega_{\ell}\right)=\mathrm{E}\left{\gamma\left(\omega_{\ell}\right)\right}$, and the $e\left(\omega_{\ell}\right), \ell=1, \ldots, n$, are independent errors with zero means and the variances depending on the frequency point $\omega_{\ell} . a(\cdot)$ is periodic and is fitted by periodic smoothing spline (Wahba, 1990) of the form,
$$
a(\omega)=c_0+\sum_{\nu=1}^{n / 2-1} c_\nu \sqrt{2} \cos (2 \pi \nu \omega)+\sum_{\nu=1}^{n / 2-1} d_\nu \sqrt{2} \sin (2 \pi \nu \omega)+c_{n / 2} \cos (\pi n \omega)
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Bayesian method

Recall that the discrete Fourier transform $\widetilde{\mathbf{Y}}{\ell}=\widetilde{\mathbf{Y}}\left(\omega{\ell}\right), \ell=0, \ldots,(n-1) / 2$, are approximately independent complex multivariate normal random variables. The large-sample distribution of $\widetilde{\mathbf{Y}}{\ell}$ leads to the Whittle likelihood (Whittle, 1953, 1954), $$ L(\mathbf{f})=\prod{\ell=1}^L\left|\mathbf{f}\left(\omega_{\ell}\right)\right|^{-1} \exp \left{-\widetilde{\mathbf{Y}}{\ell}^\left[\mathbf{f}\left(\omega{\ell}\right)\right]^{-1} \widetilde{\mathbf{Y}}{\ell}\right}, $$ where $\omega_k=\ell / n$ and $L=[(n-1) / 2]$. Based on the Whittle likelihood, Rosen and Stoffer (2007) proposed a Bayesian method to the estimate spectrum of the second-order stationary multivariate time series. They model the spectrum $\mathbf{f}(\omega)$ by the modified complex Cholesky factorization, such that, $$ \mathbf{f}^{-1}\left(\omega{\ell}\right)=\mathbf{\Gamma}{\ell}^ \mathbf{D}{\ell}^{-1} \mathbf{\Gamma}{\ell}, $$ where $\boldsymbol{\Gamma}{\ell}$ is a complex-valued lower triangular matrix with one on its diagonal,
$$
\boldsymbol{\Gamma}{\ell}=\left[\begin{array}{ccccccc} 1 & 0 & \cdots & \cdots & \cdots & \cdots & 0 \ -\theta{2,1}^{(\ell)} & 1 & 0 & \cdots & \cdots & \cdots & 0 \
-\theta_{3,1}^{(\ell)} & -\theta_{3,2}^{(\ell)} & 1 & 0 & \cdots & \cdots & \vdots \
\vdots & \cdots & \vdots & \ddots & \ddots & \vdots & \vdots \
\vdots & \vdots & \vdots & \cdots & \ddots & 0 & \vdots \
\vdots & \cdots & \cdots & \cdots & \cdots & 1 & 0 \
-\theta_{m, 1}^{(\ell)} & -\theta_{m, 2}^{(\ell)} & \cdots & \cdots & \cdots & -\theta_{m, m-1}^{(\ell)} & 1
\end{array}\right],
$$

and $\mathbf{D}{\ell}$ is a diagonal matrix with positive real values, that is, $\mathbf{D}{\ell}=\operatorname{diag}\left(d_{1, \ell}^2, \ldots, d_{m, \ell}^2\right)$. Let $\boldsymbol{\theta}{\ell}=\left(\theta{2,1}^{(\ell)}, \theta_{3,1}^{(\ell)}, \theta_{3,2}^{(\ell)}, \ldots, \theta_{m, m-1}^{(\ell)}\right), \boldsymbol{\Theta}=\left(\boldsymbol{\theta}1, \ldots, \boldsymbol{\theta}_L\right)$, and $\mathbf{D}=\left{\mathbf{D}_1, \ldots, \mathbf{D}_L\right}$, the modified Cholesky representation facilitates development of Bayesian sampler by noticing that the Whittle likelihood can be rewritten as $$ L(\mathbf{Y} \mid \mathbf{D}, \boldsymbol{\Theta}) \approx \prod{\ell=1}^L \prod_{j=1}^m d_{j, \ell}^{-2} \exp \left{-\left(\widetilde{\mathbf{Y}}\left(\omega_{\ell}\right)-\mathbf{R}{\ell} \boldsymbol{\theta}{\ell}\right)^* \mathbf{D}{\ell}^{-1}\left(\widetilde{\mathbf{Y}}\left(\omega{\ell}\right)-\mathbf{R}{\ell} \boldsymbol{\theta}{\ell}\right)\right},
$$
where $\boldsymbol{\theta}{\ell}$ is an $m(m-1) / 2$-dimensional vector and $\mathbf{R}{\ell}$ is a $m \times m(m-1) / 2$ design matrix such that

$$
\mathbf{R}{\ell}=\left[\begin{array}{ccccccccccccc} 0 & 0 & 0 & 0 & 0 & 0 & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \ Y{1, \ell} & 0 & 0 & 0 & 0 & 0 & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \
0 & Y_{1, \ell} & Y_{2, \ell} & 0 & 0 & 0 & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \
0 & 0 & 0 & Y_{1, \ell} & Y_{2, \ell} & Y_{3, \ell} & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \
0 & 0 & 0 & 0 & 0 & 0 & \ldots & \ldots & \ldots & \ldots & \ldots & \ldots & \vdots \
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \ldots & \ldots & \ldots & \ldots & \ldots & 0 \
0 & 0 & 0 & 0 & 0 & 0 & 0 & \ldots & 0 & Y_{1, \ell} & Y_{2, \ell} & \ldots & Y_{m-1, \ell}
\end{array}\right]
$$
and $Y_{j, \ell}$ is the $j$ th entry of $\widetilde{\mathbf{Y}}\left(\omega_{\ell}\right)$. Let $\boldsymbol{\Delta}j=\left(d{j, 1}^2, \ldots, d_{j, L}^2\right)^{\prime}$ and $\boldsymbol{\theta}{j, k}=\left(\theta{j, k}^{(1)}, \ldots, \theta_{j, k}^{(L)}\right)^{\prime}$. Each component of the Cholesky decomposition is fitted by the Demmler-Reinsch basis functions for linear smoothing splines of Eubank and Hsing (2008) as follows
$$
c_0+c_1 \omega_{\ell}+\sum_{k=1}^L \sqrt{2} \cos \left{(k-1) \pi \omega_{\ell}\right} d_k
$$
for each frequency $\omega_{\ell}$. Let $\mathbf{X}$ be the design matrix of the basis functions and $\boldsymbol{\beta}j=\left(\mathbf{c}_j^{\prime}, \mathbf{d}_j^{\prime}\right)^{\prime}$ be the associated parameters. We then have $$ \log \left(\boldsymbol{\Delta}_j\right)=\mathbf{X} \boldsymbol{\beta}_j, \boldsymbol{R}\left(\boldsymbol{\theta}{j, k}\right)=-\mathbf{X} \boldsymbol{\beta}{j, k,(r e)}, \mathfrak{\Im}\left(\boldsymbol{\theta}{j, k}\right)=-\mathbf{X} \boldsymbol{\beta}{j, k,(i m)}, $$ for $j=1, \ldots, m, k=1, \ldots, j-1$. The priors on $\mathbf{c}_j, \mathbf{c}{j, k,(r e)}$, and $\mathbf{c}{j, k,(i m)}$ are chosen to be bivariate normal distributions $N\left(\mathbf{0}, \sigma{\mathbf{c} j}^2 \mathbf{I}2\right), N\left(\mathbf{0}, \sigma{\mathbf{c}{j, k,(r e)}^2}^2 \mathbf{I}_2\right), N\left(\mathbf{0}, \sigma{\mathbf{c}{j, k,(i m e)}^2}^2 \mathbf{I}_2\right)$, and the priors on $\mathbf{d}_j, \mathbf{d}{j, k,(r e)}$, and $\mathbf{d}{j, k,(i m)}$ are chosen to be $L$-dimensional normal distributions $N\left(\mathbf{0}, \lambda_j^2 \mathbf{I}_L\right), N\left(\mathbf{0}, \lambda{j, k,(r e)}^2 \mathbf{I}L\right)$, and $N\left(\mathbf{0}, \lambda{j, k,(i m)}^2 \mathbf{I}L\right)$, respectively. The hyperparameters $\lambda_j^2, \lambda{j, k,(r e)}^2$, and $\lambda_{j, k,(i m)}^2$ are smoothing parameters, which control the amount of smoothness. As the smoothing parameters tend to zero, the spline becomes a linear fit; as the smoothing parameters tend to infinity, the spline will be an interpolating spline. Gibbs sampling with the Metropolis-Hastings algorithm is used to draw parameters from posterior distribution.

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Smoothing spline

核平滑法和多锥度平滑法的主要缺点是不能保证最终估计是正半定的，同时允许对谱矩阵的每个元素进行灵活的平滑。因此，通常使用相同的带宽来平滑所有的光谱分量。然而，在许多应用中，谱矩阵的不同组成部分可能需要不同的平滑度，并且需要不同的平滑参数来获得最优估计。为了克服这一困难，Dai和Guo(2004)提出了一种基于Cholesky分解的平滑样条方法用于谱估计。该方法通过使用不同的平滑参数对每个Cholesky分量分别建模。该方法首先通过正弦多锥得到正定渐近无偏初始谱估计量$\widetilde{\mathbf{f}}_M(\omega)$，如式(9.65)所示。然后，通过光滑样条和惩罚平方和对谱矩阵的Cholesky分量进行进一步的平滑，使得不同的Cholesky元素具有不同程度的平滑。

假设谱矩阵$\tilde{\mathbf{f}}(\omega)$具有如下的Cholesky分解:$\widetilde{\mathbf{f}}(\omega)=\boldsymbol{\Gamma}^*$，其中$\boldsymbol{\Gamma}$为$m \times m$下三角矩阵。为了得到唯一分解，将$\boldsymbol{\Gamma}$的对角元素约束为正。对对角元$\gamma_{j, j}, j=1, \ldots, m$、$\gamma_{j, k}, \mathfrak{R}\left(\gamma_{j, k}\right)$的实部和$\gamma_{j, k}, \mathfrak{T}\left(\gamma_{j, k}\right), j>k$的虚部分别采用不同光滑参数的样条进行光滑。假设$\gamma \in\left{\gamma_{j, j}, \mathfrak{R}\left(\gamma_{j, k}\right), \mathfrak{\Im}\left(\gamma_{j, k}\right), j>k\right.$对于$\left.j, k=1, \ldots, m\right}$，我们有
$$
\gamma\left(\omega_{\ell}\right)=a\left(\omega_{\ell}\right)+e\left(\omega_{\ell}\right)
$$
其中$a\left(\omega_{\ell}\right)=\mathrm{E}\left{\gamma\left(\omega_{\ell}\right)\right}$和$e\left(\omega_{\ell}\right), \ell=1, \ldots, n$是均值为零的独立误差，依赖于频率点的方差$\omega_{\ell} . a(\cdot)$是周期性的，并通过形式为的周期平滑样条(Wahba, 1990)拟合，
$$
a(\omega)=c_0+\sum_{\nu=1}^{n / 2-1} c_\nu \sqrt{2} \cos (2 \pi \nu \omega)+\sum_{\nu=1}^{n / 2-1} d_\nu \sqrt{2} \sin (2 \pi \nu \omega)+c_{n / 2} \cos (\pi n \omega)
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Bayesian method

回想一下离散傅里叶变换$\widetilde{\mathbf{Y}}{\ell}=\widetilde{\mathbf{Y}}\left(\omega{\ell}\right), \ell=0, \ldots,(n-1) / 2$，都是近似独立的复多元正态随机变量。$\widetilde{\mathbf{Y}}{\ell}$的大样本分布导致惠特尔似然(惠特尔，1953,1954)，$$ L(\mathbf{f})=\prod{\ell=1}^L\left|\mathbf{f}\left(\omega_{\ell}\right)\right|^{-1} \exp \left{-\widetilde{\mathbf{Y}}{\ell}^\left[\mathbf{f}\left(\omega{\ell}\right)\right]^{-1} \widetilde{\mathbf{Y}}{\ell}\right}, $$其中$\omega_k=\ell / n$和$L=[(n-1) / 2]$。Rosen和Stoffer(2007)基于Whittle似然，提出了一种估计二阶平稳多元时间序列谱的贝叶斯方法。他们通过修正的复Cholesky分解对光谱$\mathbf{f}(\omega)$进行建模，这样，$$ \mathbf{f}^{-1}\left(\omega{\ell}\right)=\mathbf{\Gamma}{\ell}^ \mathbf{D}{\ell}^{-1} \mathbf{\Gamma}{\ell}, $$其中$\boldsymbol{\Gamma}{\ell}$是一个对角线上有1的复值下三角矩阵，
$$
\boldsymbol{\Gamma}{\ell}=\left[\begin{array}{ccccccc} 1 & 0 & \cdots & \cdots & \cdots & \cdots & 0 \ -\theta{2,1}^{(\ell)} & 1 & 0 & \cdots & \cdots & \cdots & 0 \
-\theta_{3,1}^{(\ell)} & -\theta_{3,2}^{(\ell)} & 1 & 0 & \cdots & \cdots & \vdots \
\vdots & \cdots & \vdots & \ddots & \ddots & \vdots & \vdots \
\vdots & \vdots & \vdots & \cdots & \ddots & 0 & \vdots \
\vdots & \cdots & \cdots & \cdots & \cdots & 1 & 0 \
-\theta_{m, 1}^{(\ell)} & -\theta_{m, 2}^{(\ell)} & \cdots & \cdots & \cdots & -\theta_{m, m-1}^{(\ell)} & 1
\end{array}\right],
$$

$\mathbf{D}{\ell}$是一个实数为正的对角矩阵，即$\mathbf{D}{\ell}=\operatorname{diag}\left(d_{1, \ell}^2, \ldots, d_{m, \ell}^2\right)$。设$\boldsymbol{\theta}{\ell}=\left(\theta{2,1}^{(\ell)}, \theta_{3,1}^{(\ell)}, \theta_{3,2}^{(\ell)}, \ldots, \theta_{m, m-1}^{(\ell)}\right), \boldsymbol{\Theta}=\left(\boldsymbol{\theta}1, \ldots, \boldsymbol{\theta}L\right)$和$\mathbf{D}=\left{\mathbf{D}_1, \ldots, \mathbf{D}_L\right}$，修改后的Cholesky表示法通过注意到惠特尔似然可以重写为$$ L(\mathbf{Y} \mid \mathbf{D}, \boldsymbol{\Theta}) \approx \prod{\ell=1}^L \prod{j=1}^m d_{j, \ell}^{-2} \exp \left{-\left(\widetilde{\mathbf{Y}}\left(\omega_{\ell}\right)-\mathbf{R}{\ell} \boldsymbol{\theta}{\ell}\right)^* \mathbf{D}{\ell}^{-1}\left(\widetilde{\mathbf{Y}}\left(\omega{\ell}\right)-\mathbf{R}{\ell} \boldsymbol{\theta}{\ell}\right)\right},
$$来促进贝叶斯采样器的发展
其中$\boldsymbol{\theta}{\ell}$是一个$m(m-1) / 2$维向量，$\mathbf{R}{\ell}$是一个$m \times m(m-1) / 2$设计矩阵，这样

$$
\mathbf{R}{\ell}=\left[\begin{array}{ccccccccccccc} 0 & 0 & 0 & 0 & 0 & 0 & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \ Y{1, \ell} & 0 & 0 & 0 & 0 & 0 & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \
0 & Y_{1, \ell} & Y_{2, \ell} & 0 & 0 & 0 & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \
0 & 0 & 0 & Y_{1, \ell} & Y_{2, \ell} & Y_{3, \ell} & 0 & \ldots & 0 & 0 & 0 & \ldots & 0 \
0 & 0 & 0 & 0 & 0 & 0 & \ldots & \ldots & \ldots & \ldots & \ldots & \ldots & \vdots \
\vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \vdots & \ldots & \ldots & \ldots & \ldots & \ldots & 0 \
0 & 0 & 0 & 0 & 0 & 0 & 0 & \ldots & 0 & Y_{1, \ell} & Y_{2, \ell} & \ldots & Y_{m-1, \ell}
\end{array}\right]
$$
$Y_{j, \ell}$是$\widetilde{\mathbf{Y}}\left(\omega_{\ell}\right)$的第$j$项。让$\boldsymbol{\Delta}j=\left(d{j, 1}^2, \ldots, d_{j, L}^2\right)^{\prime}$和$\boldsymbol{\theta}{j, k}=\left(\theta{j, k}^{(1)}, \ldots, \theta_{j, k}^{(L)}\right)^{\prime}$。Cholesky分解的每个分量由Eubank和Hsing(2008)的线性平滑样条的Demmler-Reinsch基函数拟合如下
$$
c_0+c_1 \omega_{\ell}+\sum_{k=1}^L \sqrt{2} \cos \left{(k-1) \pi \omega_{\ell}\right} d_k
$$
对于每个频率$\omega_{\ell}$。设$\mathbf{X}$为基函数的设计矩阵，$\boldsymbol{\beta}j=\left(\mathbf{c}j^{\prime}, \mathbf{d}_j^{\prime}\right)^{\prime}$为相关参数。然后我们用$$ \log \left(\boldsymbol{\Delta}_j\right)=\mathbf{X} \boldsymbol{\beta}_j, \boldsymbol{R}\left(\boldsymbol{\theta}{j, k}\right)=-\mathbf{X} \boldsymbol{\beta}{j, k,(r e)}, \mathfrak{\Im}\left(\boldsymbol{\theta}{j, k}\right)=-\mathbf{X} \boldsymbol{\beta}{j, k,(i m)}, $$表示$j=1, \ldots, m, k=1, \ldots, j-1$。分别取$\mathbf{c}_j, \mathbf{c}{j, k,(r e)}$和$\mathbf{c}{j, k,(i m)}$上的先验为二元正态分布$N\left(\mathbf{0}, \sigma{\mathbf{c} j}^2 \mathbf{I}2\right), N\left(\mathbf{0}, \sigma{\mathbf{c}{j, k,(r e)}^2}^2 \mathbf{I}_2\right), N\left(\mathbf{0}, \sigma{\mathbf{c}{j, k,(i m e)}^2}^2 \mathbf{I}_2\right)$，取$\mathbf{d}_j, \mathbf{d}{j, k,(r e)}$和$\mathbf{d}{j, k,(i m)}$上的先验为$L$维正态分布$N\left(\mathbf{0}, \lambda_j^2 \mathbf{I}_L\right), N\left(\mathbf{0}, \lambda{j, k,(r e)}^2 \mathbf{I}L\right)$和$N\left(\mathbf{0}, \lambda{j, k,(i m)}^2 \mathbf{I}L\right)$。超参数$\lambda_j^2, \lambda{j, k,(r e)}^2$和$\lambda{j, k,(i m)}^2$是平滑参数，控制平滑程度。当平滑参数趋于零时，样条曲线变为线性拟合;当平滑参数趋于无穷大时，样条将是插值样条。采用Metropolis-Hastings算法的Gibbs抽样从后验分布中提取参数。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Vehicular theft data

Example 8.5 From January 2006 through December 2014, over 750,000 crimes were reported among the 21 police districts in Philadelphia, Pennsylvania, shown on the map in Figure 8.3. The most common crimes reported were thefts and burglaries. The total crime followed a seasonal pattern with more crimes in the summer than in the winter.

For this analysis, we consider the monthly total of vehicle thefts recorded at the 21 police districts in Philadelphia from January 2006 to December 2014. The data set consists of $m=21$ dimensions corresponding to the 21 police districts and is listed as WW8a in the Data Appendix. The monthly total of vehicle thefts from January 2006 to April 2014 was used for model fitting with a total of $n=100$ observations. The monthly total of the thefts from May 2014 to December 2014 was held out for the forecast comparison. Figure 8.4 displays these raw counts for the in-sample time points.

Visually, each time series shows a constant mean but varies among districts. For the variance, we compare several values for the Box-Cox transformation, and $\lambda=0.5$ is chosen for most locations to stabilize the variance. Thus, the square root of each series was performed. Neither regular nor seasonal differencing was required for any of the 21 series. After being square-root-transformed and mean centered, the resulting 21 series for $t=1,2, \ldots, 100$, is given in Figure 8.5.

Bordering districts are defined as first neighbors, and the weighting matrix for $\mathbf{W}^{(1)}$ is given in Table 8.2. Models involving additional spatial lags were considered but the parameter estimates were not significant different from 0 , and hence the weighting matrices $\mathbf{W}^{(\ell)}$ for $\ell>1$ are not given.

The patterns in Figure 8.6 show that the sample ST-ACFs exponentially decay at both regular time lags, seasonal time lags of multiple of 12 , and that ST-PACFs are significant only at time lags 2,12 , and 24 , and spatial lag at 1 . For a monthly series of seasonal period of 12 , we tentatively choose a $\operatorname{STAR}\left(2_{1,1}\right) \times\left(2_{1,1}\right)_{12}$ as its possible underlying model. The estimation result is given as follows:

Since the estimate of $\phi_{2,1}$ is only 1.46 standard errors away from 0 , we re-fit a STAR $\left(2_{1,0}\right) \times\left(2_{1,1}\right){12}$ model with the following result, $$ \begin{aligned} & \left(\mathbf{I}{21}-\underset{(.031)}{0.128} \mathbf{W}^{(0)} B^{12}-\underset{(.063)}{0.145 \mathbf{W}^{(1)}} B^{12}-\underset{(.033)}{0.058} \mathbf{W}^{(0)} B^{24}-\underset{(.067)}{0.149 \mathbf{W}^{(1)} B^{24}}\right) \
& \left(\mathbf{I}_{21}-\underset{(.029)}{0.336} \mathbf{W}^{(0)} B-\underset{(056)}{0.171 \mathbf{W}^{(1)}} B-\underset{(.034)}{0.121 \mathbf{W}^{(0)}} B^2\right) \mathbf{Z}_t=\mathbf{a}_t . \
&
\end{aligned}
$$

统计代写|时间序列分析代写Time-Series Analysis代考|The annual U.S. labor force count

Example 8.6 The United States Department of Labor provides dozens of variables through the Bureau of Labor Statistics (BLS), many of which could be fitted with various STARMA models. We select non-seasonally adjusted labor force count for the 48 contiguous states and Washington D.C., for a total of $m=49$ locations. The data are annual from 1976 through 2014 . This constitutes our raw data, which is listed as WW8b in the Data Appendix.

To arrive at the variable $\mathbf{Z}_t$, we already tested and determined that most of the individual time series variables were variance stationary, but appear to have a single unit root. Thus, we took the difference of the counts, and then mean centered the variable for each location. This gives us our zero-mean variable $\mathbf{Z}_t$, with dimension $m=49$ and time points $n=39$. As a side note, one reason for a STARMA-type model to be beneficial for this data is that a VAR(1) model would require $49 \times 49=2401$ parameters, which are more than the number of observations in the data set, and makes the regular VAR fitting impossible. However, the same first order STAR $\left(1_1\right)$ model involves only two parameters.

First, we construct the weighting matrix $\mathbf{W}^{(1)}$ according to the number of bordering states (first neighbors) each state has. Though too large to include for each state in this example, the number of border states ranges from 1 (Maine) to 8 (Missouri and Tennessee). And although not shown, we also construct $\mathbf{W}^{(2)}$ and $\mathbf{W}^{(3)}$ regarding second and third neighbors. Second neighbors are states that do not border each other but have at least one first neighbor in common. These terms are not needed for the chosen STAR $\left(1_1\right)$ model in this example but are included to see if the spatial order is indeed only 1 . Actually, these matrices allow us to construct the sample ST-ACF and ST-PACF, as shown in Tables 8.3 and 8.4.

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Vehicular theft data

从2006年1月到2014年12月，宾夕法尼亚州费城的21个警区报告了超过75万起犯罪，如图8.3所示。最常见的犯罪是盗窃和入室行窃。犯罪总量有季节性规律，夏季犯罪比冬季多。

为了进行分析，我们考虑了2006年1月至2014年12月在费城21个警察区记录的每月车辆盗窃案总数。该数据集由与21个警区相对应的$m=21$维度组成，在数据附录中列为WW8a。从2006年1月到2014年4月的每月车辆盗窃总数用于模型拟合，总共有$n=100$观测值。2014年5月至2014年12月的月度盗窃案总数用于预测比较。图8.4显示了样本内时间点的原始计数。

从视觉上看，每个时间序列显示一个恒定的平均值，但在地区之间有所不同。对于方差，我们比较了Box-Cox变换的几个值，对于大多数位置选择$\lambda=0.5$来稳定方差。因此，每个级数的平方根被执行。21个系列中的任何一个都不需要常规或季节差异。经过平方根变换并以均值为中心后，得到$t=1,2, \ldots, 100$的21级数如图8.5所示。

将邻域定义为第一邻域，$\mathbf{W}^{(1)}$的权重矩阵如表8.2所示。考虑了涉及额外空间滞后的模型，但参数估计与0没有显著差异，因此没有给出$\ell>1$的权重矩阵$\mathbf{W}^{(\ell)}$。

从图8.6的模式可以看出，样品ST-PACFs在常规时间滞后和12倍的季节性时间滞后下都呈指数衰减，ST-PACFs仅在时间滞后2、12和24时显著，在空间滞后1时显著。对于12个季节周期的月度序列，我们暂时选择$\operatorname{STAR}\left(2_{1,1}\right) \times\left(2_{1,1}\right)_{12}$作为其可能的基础模型。估计结果如下:

由于$\phi_{2,1}$的估计值离0只有1.46个标准误差，我们用以下结果重新拟合STAR $\left(2_{1,0}\right) \times\left(2_{1,1}\right){12}$模型: $$ \begin{aligned} & \left(\mathbf{I}{21}-\underset{(.031)}{0.128} \mathbf{W}^{(0)} B^{12}-\underset{(.063)}{0.145 \mathbf{W}^{(1)}} B^{12}-\underset{(.033)}{0.058} \mathbf{W}^{(0)} B^{24}-\underset{(.067)}{0.149 \mathbf{W}^{(1)} B^{24}}\right) \
& \left(\mathbf{I}_{21}-\underset{(.029)}{0.336} \mathbf{W}^{(0)} B-\underset{(056)}{0.171 \mathbf{W}^{(1)}} B-\underset{(.034)}{0.121 \mathbf{W}^{(0)}} B^2\right) \mathbf{Z}_t=\mathbf{a}_t . \
&
\end{aligned}
$$

统计代写|时间序列分析代写Time-Series Analysis代考|The annual U.S. labor force count

例8.6美国劳工部通过劳工统计局(BLS)提供了几十个变量，其中许多变量可以用各种STARMA模型进行拟合。我们选择48个连续州和华盛顿特区的非季节性调整劳动力数量，总共$m=49$地点。这些数据是从1976年到2014年的年度数据。这构成了我们的原始数据，在数据附录中被列为WW8b。

为了得到变量$\mathbf{Z}_t$，我们已经测试并确定了大多数单独的时间序列变量是方差平稳的，但似乎有一个单一的单位根。因此，我们取计数的差值，然后对每个位置的变量平均居中。这给了我们零均值变量$\mathbf{Z}_t$，维度$m=49$和时间点$n=39$。作为附带说明，starma类型模型对该数据有益的一个原因是VAR(1)模型需要$49 \times 49=2401$参数，这些参数超过数据集中的观测值数量，并且使常规VAR拟合不可能。然而，相同的一阶STAR $\left(1_1\right)$模型只涉及两个参数。

首先，我们根据每个状态的边界状态(第一邻居)的数量构造加权矩阵$\mathbf{W}^{(1)}$。虽然这个例子中没有包括每个州，但边境州的数量从1个(缅因州)到8个(密苏里州和田纳西州)不等。虽然没有显示出来，我们也构造了$\mathbf{W}^{(2)}$和$\mathbf{W}^{(3)}$关于第二个和第三个邻居。第二邻国是指不相邻但至少有一个共同的第一邻国的国家。在本例中，所选的STAR $\left(1_1\right)$模型不需要这些术语，但包含这些术语是为了查看空间顺序是否确实只有1。实际上，这些矩阵允许我们构建样本ST-ACF和ST-PACF，如表8.3和8.4所示。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Further generalization and remarks

More generally, we can include some covariates in all the models introduced in Sections 7.3 and 7.4. For example, when subjects in the model are people, we may want to include related information, such as age, gender, education level, and others, in the model. Thus, we have
$$
Z_{i, j, t}=\mu+c_1 X_{1, j}+\cdots+c_k X_{k, j}+\alpha_i+\beta_t+\gamma_{i, t}+\varepsilon_{i, j, t},
$$
where the $X$ ‘s are covariates with associated coefficients $c$ ‘s.
With proper modifications, the model in (7.37) can be written in matrix form,
$$
\mathbf{Y}=\mathbf{X} \boldsymbol{\beta}+\boldsymbol{\varepsilon}
$$
where the matrix $\mathbf{X}$ will now contain the values of covariates in addition to the values of 0 and 1 for factors, $\boldsymbol{\beta}$ is the vector of the associated parameters, and $\boldsymbol{\varepsilon}$ is a vector of normal random errors with mean vector $\mathbf{0}$ and variance-covariance matrix $\boldsymbol{\Omega}=\mathbf{I}_n \otimes \mathbf{\Sigma}, \mathbf{I}_n$ is the $n \times n$ identity matrix, $n$ is the number of subjects, and $\mathbf{\Sigma}$ is the $(p \times p)$ common variance-covariance structure for all subjects. The GLS estimator of $\boldsymbol{\beta}, \hat{\boldsymbol{\beta}}=\left(\mathbf{X}^{\prime} \mathbf{\Omega}^{-\mathbf{1}} \mathbf{X}\right) \mathbf{X} \boldsymbol{\Omega}^{-\mathbf{1}} \mathbf{Y}$, is the best linear unbiased estimator that follows a multivariate vector normal distribution $N\left(\boldsymbol{\beta},\left(\mathbf{X}^{\prime} \Omega^{-1} \mathbf{X}\right)^{-1}\right)$.

It should be noted that although the examples illustrated in this chapter are equally spaced repeated measurements, the methods introduced can also be applied to cases when repeated measurements are unequally spaced. This is true even when a covariance structure such as an unstructured general covariance, a covariance of independent case, a covariance of common symmetry, or a covariance of heterogeneous common symmetry is used in the analysis. It should be noted, however, that most software such as SAS Proc Mixed may assume equally spaced times when a time series covariance structure like $\operatorname{AR}(1), \operatorname{ARMA}(1,1)$, or the Toeplitz form is specified in the analysis. In such a case, using the software may require some adjustment.

统计代写|时间序列分析代写Time-Series Analysis代考|Another empirical example – the oral condition of neck cancer patients

Example 7.3 In this example, we will consider the data set listed in Table 7.9 from the MidMichigan Medical Center for its study of the oral condition of neck cancer patients in 1999 , which is also listed as WW7b in the Data Appendix. The study randomly divided patients into two groups; Group 0 received a placebo and Group 1 received a treatment of aloe juice. The oral conditions of the patients were measured and recorded at the initial stage, and thereafter at the
Table 7.9 Background and oral condition of neck cancer patients under two treatments ( $0=$ placebo, 1 = aloe juice) with total condition at initial stage (Week 0$)$, Week 2 , Week 4 , and Week 6.

end of week 2 , week 4 , and week 6 , respectively. The measurement values varied between 3 and 19 with higher values indicating a better condition. In addition, the age, the initial weight, and the initial cancer stage of patients were also collected. There were a total 25 patients with missing values for patient 42 and 50 . Specifically, we will consider the following model suggested in Eq. (7.37),
$$
Z_{i, j, t}=\mu+c_1 X_{1, j}+c_2 X_{2, j}+c_3 X_{3, j}+\alpha_i+\beta_t+\gamma_{i, t}+\varepsilon_{i, j, t},
$$
where $Z_{i, j, t}$ is the oral condition, $X_{1, j}$ is the patient’s age, $X_{2, j}$ is the patient’s weight at the initial stage, $X_{3, j}$ is the patient’s initial cancer stage, $\alpha_i$ represents the random treatment effect that follows i.i.d. $N\left(0, \sigma_a^2\right), \beta_t$ represents the time effect, $\gamma_{i, t}$ represents time/treatment interaction effect, $\varepsilon_{i, j, t}$ is the error term, and $\alpha_i$ and $\varepsilon_{i, j, t}$ are independent, $i=1,2, n_1=14, n_2=9$, $j=1, \ldots, n_i$, and $t=1,2,3,4$

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Further generalization and remarks

更一般地说，我们可以在7.3节和7.4节介绍的所有模型中包含一些协变量。例如，当模型中的主题是人时，我们可能希望在模型中包含相关信息，如年龄、性别、教育水平等。因此，我们有
$$
Z_{i, j, t}=\mu+c_1 X_{1, j}+\cdots+c_k X_{k, j}+\alpha_i+\beta_t+\gamma_{i, t}+\varepsilon_{i, j, t},
$$
其中$X$ ‘s是协变量与相关系数$c$ ‘s。
通过适当的修改，式(7.37)中的模型可以写成矩阵形式，
$$
\mathbf{Y}=\mathbf{X} \boldsymbol{\beta}+\boldsymbol{\varepsilon}
$$
其中矩阵$\mathbf{X}$现在将包含协变量的值，除了0和1的值为因素，$\boldsymbol{\beta}$是相关参数的向量，$\boldsymbol{\varepsilon}$是正态随机误差的向量，平均向量$\mathbf{0}$和方差协方差矩阵$\boldsymbol{\Omega}=\mathbf{I}_n \otimes \mathbf{\Sigma}, \mathbf{I}_n$是$n \times n$单位矩阵，$n$是受试者的数量，$\mathbf{\Sigma}$是所有被试的共同方差-协方差结构$(p \times p)$。$\boldsymbol{\beta}, \hat{\boldsymbol{\beta}}=\left(\mathbf{X}^{\prime} \mathbf{\Omega}^{-\mathbf{1}} \mathbf{X}\right) \mathbf{X} \boldsymbol{\Omega}^{-\mathbf{1}} \mathbf{Y}$的GLS估计量是遵循多元向量正态分布的最佳线性无偏估计量$N\left(\boldsymbol{\beta},\left(\mathbf{X}^{\prime} \Omega^{-1} \mathbf{X}\right)^{-1}\right)$。

应当指出的是，虽然本章中所示的例子是等间隔重复测量，但所介绍的方法也可以应用于重复测量间隔不等的情况。即使在分析中使用协方差结构，如非结构化的一般协方差、独立情况的协方差、共同对称性的协方差或异质共同对称性的协方差，也是如此。然而，应该注意的是，当时间序列协方差结构(如$\operatorname{AR}(1), \operatorname{ARMA}(1,1)$)或Toeplitz形式在分析中指定时，大多数软件(如SAS Proc Mixed)可能会假设时间间隔等。在这种情况下，使用软件可能需要一些调整。

统计代写|时间序列分析代写Time-Series Analysis代考|Another empirical example – the oral condition of neck cancer patients

例7.3在本例中，我们将考虑表7.9中列出的数据集，该数据集来自MidMichigan Medical Center，用于研究1999年颈癌患者的口腔状况，在数据附录中也被列为WW7b。该研究将患者随机分为两组;0组给予安慰剂，1组给予芦荟汁治疗。在治疗初期和治疗结束后分别测量和记录患者的口腔状况
表7.9接受两种治疗($0=$安慰剂，1 =芦荟汁)的颈部癌症患者的背景和口腔状况，初始阶段(第0周$)$，第2周，第4周和第6周)的总体状况。

第2周，第4周，第6周结束。测量值在3到19之间变化，数值越高表明情况越好。此外，还收集了患者的年龄、初始体重和初始癌症分期。患者42和患者50共有25例患者值缺失。具体来说，我们将考虑Eq.(7.37)中建议的以下模型:
$$
Z_{i, j, t}=\mu+c_1 X_{1, j}+c_2 X_{2, j}+c_3 X_{3, j}+\alpha_i+\beta_t+\gamma_{i, t}+\varepsilon_{i, j, t},
$$
其中$Z_{i, j, t}$为口腔状况，$X_{1, j}$为患者年龄，$X_{2, j}$为患者初期体重，$X_{3, j}$为患者初始癌症分期，$\alpha_i$为i.i.d后随机治疗效果，$N\left(0, \sigma_a^2\right), \beta_t$为时间效应，$\gamma_{i, t}$为时间/治疗交互效应，$\varepsilon_{i, j, t}$为误差项，$\alpha_i$和$\varepsilon_{i, j, t}$为独立项。$i=1,2, n_1=14, n_2=9$, $j=1, \ldots, n_i$，和 $t=1,2,3,4$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Asymptotic distribution and statistical inference

Properties and statistical inferences are easy to derive for distributions that are elliptically symmetric. Unfortunately, the closed-form of the distribution of $\mathbf{r}t$ is unknown, and it is certainly not elliptically symmetric under the GO-GARCH model. We study the distribution of the estimator $\hat{\mathbf{V}}_w$ based on the influence function (IF), first introduced by Hampel et al. (1986). For simplicity, we assume that all functionals discussed here are Frechet differentiable. For a fixed point $\mathbf{x} \in R^m$, let $\delta{\mathbf{x}}$ be the point-mass probability measure that assigns mass 1 to $\mathbf{x}$. The influence function of the functional $K(\cdot)$ at a fixed point $\mathbf{x}$ and the given distribution $F$ is defined as:
$$
I F(\mathbf{x} ; F, K)=\lim {c \rightarrow 0^{+}} \frac{K\left[(1-c) F+c \delta{\mathbf{x}}\right]-K(F)}{c}
$$
where ” $\rightarrow 0^{+,}$stands for limit from the right of zero, $\delta_{\mathbf{x}}$ is the point mass at $\mathbf{x}$. Clearly, the influence function measures the relative effect on the functional $K(\cdot)$ of an infinitesimal point-mass contamination of the distribution $F$.

We derive the $I F$ of $\mathbf{v}{w, i}$, measuring changes of $\mathbf{v}{w, i}$ under infinitesimal change of $F_{\mathrm{s}}$. Let $\mathbf{r}^=\left(r_1^, \ldots, r_m^\right)^{\prime}=\operatorname{diag}\left(k_{w, 1}^{-1 / 2}, \ldots, k_{w, m}^{-1 / 2}\right) \mathbf{V}w \mathbf{s}$, where $k{w, 1}, \ldots, k_{w, m}$ are the eigenvalues of $\mathbf{H}w$, ordered corresponding to the associated columns of $\mathbf{V}_w$, and $\mathbf{s}$ is a $(m \times 1)$ random vector. Define $\mathbf{W}$ to be a $m \times m$ matrix with diagonal elements $W{i, i}=2+E\left[w\left(\left|\mathbf{r}^\right|^2\left(r_i^\right)^4\right) /\left|\mathbf{r}^\right|\right]$ and off-diagonal elements $W_{i, j}=E\left[w\left(\left|\mathbf{r}^\right|^2\left(r_i^\right)^2\left(r_j^\right)^2\right) /\left|\mathbf{r}^\right|\right], i, j=1, \ldots, m, i \neq j$, where $|\cdot|$ denotes the Euclidean norm. Assuming that $E\left(r_i^4\right)<\infty$ and $\mathbf{W}$ is nonsingular, we have the following theorem:

Theorem 6.3 The influence function of $\mathbf{v}{w, i}$ at $F{\mathrm{s}}$ and a fixed point $\mathbf{s}0 \in R^m$ is given by: $$ I F\left(\mathbf{s}_0 ; F_s, \mathbf{v}{w, i}\right)=\sum_{j \neq 1, j \neq i}^m \frac{\sqrt{k_{w, i} k_{w, j}} w\left(\left|\mathbf{r}0^\right|^2\right) r{i, 0}^ r_{j, 0}^}{\left(k_{w, i}-k_{w, j}\right)\left[1+E\left{\frac{w\left(\left|\mathbf{r}^\right|^2\right)}{\left|\mathbf{r}^\right|}\left(r_i^\right)^2\left(r_j^\right)^2\right}\right]} \mathbf{v}{w, j}, $$ where $\mathbf{r}_0^=\left(r{1,0}^, \ldots, r_{m, 0}^\right)^{\prime}=\operatorname{diag}\left(k_{w, 1}^{-1 / 2}, \ldots, k_{w, m}^{-1 / 2}\right) \mathbf{V}_w \mathbf{s}_0$. For the proof, please see Zheng and Wei (2012).

We derive the asymptotic distribution of our weighted scatter estimators based on the influence function. Under regularity conditions (Hampel et al. (1986), and Huber (1981), we have:
$$
T^{1 / 2}\left(\hat{\mathbf{v}}{w, i}-\mathbf{v}_i\right) \stackrel{d}{\rightarrow} N\left{\mathbf{0}, A S V\left(\mathbf{v}{w, i}, F_{\mathrm{s}}\right)\right}
$$
where
$$
\begin{aligned}
\operatorname{ASV}\left(\mathbf{v}{w, i}, F{\mathrm{s}}\right) & =E\left{\left[I F\left(\mathbf{s}0 ; F{\mathrm{s}}, \mathbf{v}{w, i}\right)\right]\left[I F\left(\mathbf{s}_0 ; F{\mathrm{s}}, \mathbf{v}{w, i}\right)\right]^{\prime}\right} \ & =\sum{j \neq 1, j \neq i}^m \frac{k_{w, i} k_{w, j} E\left{\left[w\left(\left|\mathbf{r}0^\right|^2\right)\right]^2\left(r{i, 0}^\right)^2\left(r_{j, 0}^\right)^2\right}}{\left(k_{w, i}-k_{w, j}\right)^2\left[1+E\left{\frac{w^{\prime}\left(\left|\mathbf{r}^\right|^2\right)}{\left|\mathbf{r}^\right|}\left(r_i^\right)^2\left(r_j^*\right)^2\right}\right]^2} \mathbf{v}{w, j} \mathbf{v}{w, j}^{\prime} .
\end{aligned}
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Combining information from different weighting functions

While the determination of the weighting function is arbitrary, we may obtain more efficient estimation results by combining information from different weighting functions. Denote $\hat{\mathbf{V}}{w, 1}, \ldots, \hat{\mathbf{V}}{w, k}$ to be $k$ estimators of $\mathbf{V}$ matrix based on $k$ different weighting functions. We can pool them together using the Cayley transformation (see Liebeck and Osborne [1991]):
$$
\hat{\mathbf{V}}w=\left{\mathbf{I}_m-\sum{i=1}^k\left[p_i\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)\right]\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)^{-1}\right}\left{\mathbf{I}m+\sum{i=1}^k\left[p_i\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)\right]\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)^{-1}\right}^{-1},
$$
where $p_i$ ‘s are some weighting functions satisfying $\sum_{i=1}^k p_i=1$. The weights $p_i^{\prime} s$ are chosen to be dependent on the closeness of eigenvalues of the $k$ weighted scatter estimators, $\hat{\mathbf{H}}{w, 1}, \ldots$, and $\hat{\mathbf{H}}{w, k}$. For example, let the eigenvalues of $\hat{\mathbf{H}}{w, i}$ to be $\hat{\lambda}{1, i}, \ldots, \hat{\lambda}{m, i}, i=1, \ldots, k$, we choose: $$ p_i=\frac{\min {1 \leq \ell<j \leq m}\left(\hat{\lambda}{\ell, i}-\hat{\lambda}{j, i}\right)^2}{\sum_{i=1}^k \min {1 \leq \ell{\ell, i}-\hat{\lambda}{j, i}\right)^2} $$ Thus, if any two eigenvalues of a weighted multivariate scatter estimator are close, the weight of the associated estimator $\hat{\mathbf{V}}{w, i}$ receives a small weight. This provides protection against possible identification problems. Since the estimation of $\mathbf{V}$ is up to multiplying a permutation matrix with entries of $0,+1$ or -1 , care must be taken. Orthogonal matrices $\hat{\mathbf{V}}{w, \ell}, \ell=2$, $\ldots, k$, are matched as closely as possible to $\hat{\mathbf{V}}{w, 1}$. The $i$ th row of the matched matrix $\hat{\mathbf{V}}{w, \ell}$, denoted $\hat{\mathbf{v}}{w, \ell, i}^{\prime}$, satisfies:
$$
\left|\hat{\mathbf{v}}{w, \ell, i}^{\prime} \hat{\mathbf{v}}{w, \ell, i}\right|=\max {i \leq j \leq m}\left|\hat{\mathbf{v}}{w, \ell, j}^{\prime} \hat{\mathbf{v}}_{w, \ell, i}\right|
$$

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Asymptotic distribution and statistical inference

对于椭圆对称的分布，性质和统计推论很容易推导出来。遗憾的是，$\mathbf{r}t$分布的封闭形式是未知的，在GO-GARCH模型下，它肯定不是椭圆对称的。我们研究了基于影响函数(IF)的估计量$\hat{\mathbf{V}}w$的分布，该函数首先由Hampel et al.(1986)引入。为简单起见，我们假设这里讨论的所有泛函都是Frechet可微的。对于固定点$\mathbf{x} \in R^m$，设$\delta{\mathbf{x}}$为将质量1赋给$\mathbf{x}$的点-质量概率测度。函数$K(\cdot)$在不动点$\mathbf{x}$与给定分布$F$的影响函数定义为: $$ I F(\mathbf{x} ; F, K)=\lim {c \rightarrow 0^{+}} \frac{K\left[(1-c) F+c \delta{\mathbf{x}}\right]-K(F)}{c} $$ 其中“$\rightarrow 0^{+,}$”表示从零右边开始的极限，$\delta{\mathbf{x}}$是$\mathbf{x}$处的质点。显然，影响函数测量了分布$F$的无限小点质量污染对函数$K(\cdot)$的相对影响。

我们推导出$\mathbf{v}{w, i}$的$I F$，在$F_{\mathrm{s}}$的无穷小变化下测量$\mathbf{v}{w, i}$的变化。设$\mathbf{r}^=\left(r_1^, \ldots, r_m^\right)^{\prime}=\operatorname{diag}\left(k_{w, 1}^{-1 / 2}, \ldots, k_{w, m}^{-1 / 2}\right) \mathbf{V}w \mathbf{s}$，其中$k{w, 1}, \ldots, k_{w, m}$为$\mathbf{H}w$的特征值，顺序对应于$\mathbf{V}w$的关联列，$\mathbf{s}$为$(m \times 1)$随机向量。定义$\mathbf{W}$为具有对角元素$W{i, i}=2+E\left[w\left(\left|\mathbf{r}^\right|^2\left(r_i^\right)^4\right) /\left|\mathbf{r}^\right|\right]$和非对角元素$W{i, j}=E\left[w\left(\left|\mathbf{r}^\right|^2\left(r_i^\right)^2\left(r_j^\right)^2\right) /\left|\mathbf{r}^\right|\right], i, j=1, \ldots, m, i \neq j$的$m \times m$矩阵，其中$|\cdot|$表示欧几里得范数。假设$E\left(r_i^4\right)<\infty$和$\mathbf{W}$为非奇异，则有以下定理:

定理6.3 $\mathbf{v}{w, i}$在$F{\mathrm{s}}$与不动点$\mathbf{s}0 \in R^m$处的影响函数为:$$ I F\left(\mathbf{s}0 ; F_s, \mathbf{v}{w, i}\right)=\sum{j \neq 1, j \neq i}^m \frac{\sqrt{k_{w, i} k_{w, j}} w\left(\left|\mathbf{r}0^\right|^2\right) r{i, 0}^ r_{j, 0}^}{\left(k_{w, i}-k_{w, j}\right)\left[1+E\left{\frac{w\left(\left|\mathbf{r}^\right|^2\right)}{\left|\mathbf{r}^\right|}\left(r_i^\right)^2\left(r_j^\right)^2\right}\right]} \mathbf{v}{w, j}, $$其中$\mathbf{r}0^=\left(r{1,0}^, \ldots, r{m, 0}^\right)^{\prime}=\operatorname{diag}\left(k_{w, 1}^{-1 / 2}, \ldots, k_{w, m}^{-1 / 2}\right) \mathbf{V}_w \mathbf{s}_0$。关于证明，请参见Zheng and Wei(2012)。

基于影响函数导出了加权散点估计量的渐近分布。在正则性条件下(Hampel et al.(1986)和Huber(1981))，我们有:
$$
T^{1 / 2}\left(\hat{\mathbf{v}}{w, i}-\mathbf{v}i\right) \stackrel{d}{\rightarrow} N\left{\mathbf{0}, A S V\left(\mathbf{v}{w, i}, F{\mathrm{s}}\right)\right}
$$
在哪里
$$
\begin{aligned}
\operatorname{ASV}\left(\mathbf{v}{w, i}, F{\mathrm{s}}\right) & =E\left{\left[I F\left(\mathbf{s}0 ; F{\mathrm{s}}, \mathbf{v}{w, i}\right)\right]\left[I F\left(\mathbf{s}0 ; F{\mathrm{s}}, \mathbf{v}{w, i}\right)\right]^{\prime}\right} \ & =\sum{j \neq 1, j \neq i}^m \frac{k{w, i} k_{w, j} E\left{\left[w\left(\left|\mathbf{r}0^\right|^2\right)\right]^2\left(r{i, 0}^\right)^2\left(r_{j, 0}^\right)^2\right}}{\left(k_{w, i}-k_{w, j}\right)^2\left[1+E\left{\frac{w^{\prime}\left(\left|\mathbf{r}^\right|^2\right)}{\left|\mathbf{r}^\right|}\left(r_i^\right)^2\left(r_j^*\right)^2\right}\right]^2} \mathbf{v}{w, j} \mathbf{v}{w, j}^{\prime} .
\end{aligned}
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Combining information from different weighting functions

虽然权重函数的确定是任意的，但将不同权重函数的信息组合起来可以得到更有效的估计结果。表示$\hat{\mathbf{V}}{w, 1}, \ldots, \hat{\mathbf{V}}{w, k}$为基于$k$不同权重函数的$\mathbf{V}$矩阵的$k$估计量。我们可以使用Cayley变换(参见Liebeck和Osborne[1991])将它们汇集在一起:
$$
\hat{\mathbf{V}}w=\left{\mathbf{I}m-\sum{i=1}^k\left[p_i\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)\right]\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)^{-1}\right}\left{\mathbf{I}m+\sum{i=1}^k\left[p_i\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)\right]\left(\mathbf{I}m-\hat{\mathbf{V}}{w, i}\right)^{-1}\right}^{-1}, $$ 其中$p_i$为满足$\sum{i=1}^k p_i=1$的权重函数。权重$p_i^{\prime} s$的选择取决于$k$加权散点估计器、$\hat{\mathbf{H}}{w, 1}, \ldots$和$\hat{\mathbf{H}}{w, k}$的特征值的接近程度。例如，设$\hat{\mathbf{H}}{w, i}$的特征值为$\hat{\lambda}{1, i}, \ldots, \hat{\lambda}{m, i}, i=1, \ldots, k$，我们选择:$$ p_i=\frac{\min {1 \leq \ell<j \leq m}\left(\hat{\lambda}{\ell, i}-\hat{\lambda}{j, i}\right)^2}{\sum_{i=1}^k \min {1 \leq \ell{\ell, i}-\hat{\lambda}{j, i}\right)^2} $$因此，如果一个加权多变量散点估计量的任意两个特征值接近，则关联估计量$\hat{\mathbf{V}}{w, i}$的权值收到一个小的权值。这为可能出现的识别问题提供了保护。由于$\mathbf{V}$的估计取决于将一个排列矩阵与条目$0,+1$或-1相乘，因此必须小心。正交矩阵$\hat{\mathbf{V}}{w, \ell}, \ell=2$, $\ldots, k$，尽可能与$\hat{\mathbf{V}}{w, 1}$匹配。匹配矩阵$\hat{\mathbf{V}}{w, \ell}$(记为$\hat{\mathbf{v}}{w, \ell, i}^{\prime}$)的第$i$行满足:
$$
\left|\hat{\mathbf{v}}{w, \ell, i}^{\prime} \hat{\mathbf{v}}{w, \ell, i}\right|=\max {i \leq j \leq m}\left|\hat{\mathbf{v}}{w, \ell, j}^{\prime} \hat{\mathbf{v}}_{w, \ell, i}\right|
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Factor analysis

One other way to reduce the number of parameters in the VEC model was suggested by Bollerslev (1990) who proposed a representation where the conditional correlation matrix is assumed to be constant. Under such an assumption, the conditional covariances are proportional to the product of the corresponding conditional standard deviations. The model becomes
$$
\boldsymbol{\Sigma}t=\mathbf{D}_t \mathbf{R D}_t $$ where $$ \begin{gathered} D_t=\operatorname{diag}\left(\sigma{1,1, t}^{1 / 2}, \ldots, \sigma_{m, m, t}^{1 / 2}\right), \
R=\left[\begin{array}{ccccc}
1 & \rho_{1,2} & \cdots & \cdots & \rho_{1, m} \
\rho_{1,2} & 1 & \cdots & \cdots & \rho_{2, m} \
\vdots & \vdots & \ddots & \vdots & \vdots \
\vdots & \vdots & \vdots & \ddots & \vdots \
\rho_{1, m} & \rho_{2, m} & \cdots & \cdots & 1
\end{array}\right],
\end{gathered}
$$
and $\rho_{i, j}$ is the constant conditional correlation between $\varepsilon_{i, t}$ and $\varepsilon_{j, t}$. The representation is known as the constant conditional correlation (CCC) model. Thus,
$$
\sigma_{i, j, t}=\rho_{i, j} \sqrt{\sigma_{i, i, t} \sigma_{j, j, t}}
$$
and $\sigma_{i, i, t}$ can be modeled independently as univariate GARCH models like the simple GARCH $(1,1)$ model,
$$
\sigma_{i, i, t}=c_i+\alpha_i \sigma_{i, i, t-1}+\beta_i \varepsilon_{i, t-1}^2, i=1, \ldots, m
$$

统计代写|时间序列分析代写Time-Series Analysis代考|BEKK models

Other than the large number of parameters in the model, the other problem with the VEC model is that the conditional covariance matrix as formulated in Eq. (6.6) may not be positive definite. To overcome the difficulty, Engle and Kroner (1995) used a quadratic form to propose the following model, which, without including exogenous variables, is given by
$$
\boldsymbol{\Sigma}t=\mathbf{C}^{\prime} \mathbf{C}+\sum{j=1}^p \boldsymbol{\Phi}j^{\prime} \boldsymbol{\Sigma}{t-1} \boldsymbol{\Phi}j+\sum{j=1}^q \boldsymbol{\Theta}j^{\prime} \varepsilon{t-1} \boldsymbol{\varepsilon}{t-1}^{\prime} \boldsymbol{\Theta}_j, $$ where $\mathbf{C}$ is a $m \times m$ triangular matrix, which is to ensure $\boldsymbol{\Sigma}_t$ to be definitely positive. Engle and Kroner call it BEKK model because it is related to their earlier joint work of Baba et al. (1990). For convenience, we will call the model in Eq. (6.15) as $\operatorname{BEKK}(p, q)$ model. The BEKK(1,1) model is $$ \boldsymbol{\Sigma}_t=\mathbf{C}^{\prime} \mathbf{C}+\boldsymbol{\Phi}_1^{\prime} \boldsymbol{\Sigma}{t-1} \boldsymbol{\Phi}1+\boldsymbol{\Theta}_1^{\prime} \boldsymbol{\varepsilon}{t-1} \boldsymbol{\varepsilon}_{t-1}^{\prime} \boldsymbol{\Theta}_1
$$

The model will be stationary if and only if the eigenvalues of $\boldsymbol{\Phi}1^{\prime} \otimes \boldsymbol{\Phi}_1+\boldsymbol{\Theta}_1^{\prime} \otimes \boldsymbol{\Theta}_1$ are in the unit circle, where $\otimes$ is the Kronecker product of two matrices. For a two-dimensional BEKK $(1,1)$ model, its explicit form is given by $$ \begin{aligned} \boldsymbol{\Sigma}_t= & {\left[\begin{array}{ll} \sigma{1,1, t} & \sigma_{1,2, t} \
\sigma_{1,2, t} & \sigma_{2,2, t}
\end{array}\right]=\left[\begin{array}{ll}
c_{1,1} & c_{1,2} \
c_{2,1} & c_{2,2}
\end{array}\right]+\left[\begin{array}{ll}
\phi_{1,1} & \phi_{1,2} \
\phi_{2,1} & \phi_{2,2}
\end{array}\right]^{\prime}\left[\begin{array}{ll}
\sigma_{1,1, t-1} & \sigma_{1,2, t-1} \
\sigma_{1,2, t-1} & \sigma_{2,2, t-1}
\end{array}\right]\left[\begin{array}{ll}
\phi_{1,1} & \phi_{1,2} \
\phi_{2,1} & \phi_{2,2}
\end{array}\right] } \
& +\left[\begin{array}{ll}
\theta_{1,1} & \theta_{1,2} \
\theta_{2,1} & \theta_{2,2}
\end{array}\right]^{\prime}\left[\begin{array}{cc}
\varepsilon_{1, t-1}^2 & \varepsilon_{1, t-1} \varepsilon_{2, t-1} \
\varepsilon_{2, t-1} \varepsilon_{1, t-1} & \varepsilon_{2, t-1}^2
\end{array}\right]\left[\begin{array}{ll}
\theta_{1,1} & \theta_{1,2} \
\theta_{2,1} & \theta_{2,2}
\end{array}\right],
\end{aligned}
$$
and hence,
$$
\begin{aligned}
\sigma_{1,1, t}= & c_{1,1}+\phi_{1,1}^2 \sigma_{1,1, t-1}+2 \phi_{1,1} \phi_{2,1} \sigma_{1,2, t-1}+\phi_{2,1}^2 \sigma_{2,2, t-1} \
& +\theta_{1,1}^2 \varepsilon_{1, t-1}^2+2 \theta_{1,1} \theta_{2,1} \varepsilon_{1, t-1} \varepsilon_{2, t-1}+\theta_{2,1}^2 \varepsilon_{2, t-1}^2 \
\sigma_{1,2, t}= & c_{1,2}+\phi_{1,1} \phi_{1,2} \sigma_{1,1, t-1}+\left(\phi_{1,1} \phi_{2,2}+\phi_{1,2} \phi_{2,1}\right) \sigma_{1,2, t-1}+\phi_{2,1} \phi_{2,2} \sigma_{2,2, t-1} \
& +\theta_{1,1} \theta_{1,2} \varepsilon_{1, t-1}^2+\left(\theta_{1,1} \theta_{2,2}+\theta_{1,2} \theta_{2,1}\right) \varepsilon_{1, t-1} \varepsilon_{2, t-1}+\theta_{2,1} \theta_{2,2} \varepsilon_{2, t-1}^2, \
\sigma_{2,2, t}= & c_{2,2}+\phi_{1,2}^2 \sigma_{1,1, t-1}+2 \phi_{1,1} \phi_{2,2} \sigma_{1,2, t-1}+\phi_{2,2}^2 \sigma_{2,2, t-1} \
& +\theta_{1,2}^2 \varepsilon_{1, t-1}^2+2 \theta_{1,2} \theta_{2,2} \varepsilon_{1, t-1} \varepsilon_{2, t-1}+\theta_{2,1}^2 \varepsilon_{2, t-1}^2,
\end{aligned}
$$

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Factor analysis

Bollerslev(1990)提出了另一种减少VEC模型中参数数量的方法，他提出了一种假设条件相关矩阵为常数的表示。在这种假设下，条件协方差与相应条件标准差的乘积成正比。模型变成了
$$
\boldsymbol{\Sigma}t=\mathbf{D}t \mathbf{R D}_t $$ where $$ \begin{gathered} D_t=\operatorname{diag}\left(\sigma{1,1, t}^{1 / 2}, \ldots, \sigma{m, m, t}^{1 / 2}\right), \
R=\left[\begin{array}{ccccc}
1 & \rho_{1,2} & \cdots & \cdots & \rho_{1, m} \
\rho_{1,2} & 1 & \cdots & \cdots & \rho_{2, m} \
\vdots & \vdots & \ddots & \vdots & \vdots \
\vdots & \vdots & \vdots & \ddots & \vdots \
\rho_{1, m} & \rho_{2, m} & \cdots & \cdots & 1
\end{array}\right],
\end{gathered}
$$
$\rho_{i, j}$是$\varepsilon_{i, t}$和$\varepsilon_{j, t}$之间的常数条件相关。这种表示称为恒定条件相关(CCC)模型。因此，
$$
\sigma_{i, j, t}=\rho_{i, j} \sqrt{\sigma_{i, i, t} \sigma_{j, j, t}}
$$
和$\sigma_{i, i, t}$可以独立建模为单变量GARCH模型，就像简单的GARCH $(1,1)$模型一样，
$$
\sigma_{i, i, t}=c_i+\alpha_i \sigma_{i, i, t-1}+\beta_i \varepsilon_{i, t-1}^2, i=1, \ldots, m
$$

统计代写|时间序列分析代写Time-Series Analysis代考|BEKK models

除了模型中有大量的参数外，VEC模型的另一个问题是公式(6.6)中的条件协方差矩阵可能不是正定的。为了克服这一困难，Engle和Kroner(1995)使用二次型提出了以下模型，该模型不包括外生变量，由
$$
\boldsymbol{\Sigma}t=\mathbf{C}^{\prime} \mathbf{C}+\sum{j=1}^p \boldsymbol{\Phi}j^{\prime} \boldsymbol{\Sigma}{t-1} \boldsymbol{\Phi}j+\sum{j=1}^q \boldsymbol{\Theta}j^{\prime} \varepsilon{t-1} \boldsymbol{\varepsilon}{t-1}^{\prime} \boldsymbol{\Theta}j, $$其中$\mathbf{C}$是一个$m \times m$三角矩阵，这是为了保证$\boldsymbol{\Sigma}_t$是肯定的正数。Engle和Kroner称其为BEKK模型，因为它与他们早期Baba等人(1990)的联合研究有关。为方便起见，我们将式(6.15)中的模型称为$\operatorname{BEKK}(p, q)$模型。BEKK(1,1)模型为 $$ \boldsymbol{\Sigma}_t=\mathbf{C}^{\prime} \mathbf{C}+\boldsymbol{\Phi}_1^{\prime} \boldsymbol{\Sigma}{t-1} \boldsymbol{\Phi}1+\boldsymbol{\Theta}_1^{\prime} \boldsymbol{\varepsilon}{t-1} \boldsymbol{\varepsilon}{t-1}^{\prime} \boldsymbol{\Theta}_1
$$

当且仅当$\boldsymbol{\Phi}1^{\prime} \otimes \boldsymbol{\Phi}1+\boldsymbol{\Theta}_1^{\prime} \otimes \boldsymbol{\Theta}_1$的特征值在单位圆内时，模型是平稳的，其中$\otimes$是两个矩阵的Kronecker积。对于二维BEKK $(1,1)$模型，其显式形式为$$ \begin{aligned} \boldsymbol{\Sigma}_t= & {\left[\begin{array}{ll} \sigma{1,1, t} & \sigma{1,2, t} \
\sigma_{1,2, t} & \sigma_{2,2, t}
\end{array}\right]=\left[\begin{array}{ll}
c_{1,1} & c_{1,2} \
c_{2,1} & c_{2,2}
\end{array}\right]+\left[\begin{array}{ll}
\phi_{1,1} & \phi_{1,2} \
\phi_{2,1} & \phi_{2,2}
\end{array}\right]^{\prime}\left[\begin{array}{ll}
\sigma_{1,1, t-1} & \sigma_{1,2, t-1} \
\sigma_{1,2, t-1} & \sigma_{2,2, t-1}
\end{array}\right]\left[\begin{array}{ll}
\phi_{1,1} & \phi_{1,2} \
\phi_{2,1} & \phi_{2,2}
\end{array}\right] } \
& +\left[\begin{array}{ll}
\theta_{1,1} & \theta_{1,2} \
\theta_{2,1} & \theta_{2,2}
\end{array}\right]^{\prime}\left[\begin{array}{cc}
\varepsilon_{1, t-1}^2 & \varepsilon_{1, t-1} \varepsilon_{2, t-1} \
\varepsilon_{2, t-1} \varepsilon_{1, t-1} & \varepsilon_{2, t-1}^2
\end{array}\right]\left[\begin{array}{ll}
\theta_{1,1} & \theta_{1,2} \
\theta_{2,1} & \theta_{2,2}
\end{array}\right],
\end{aligned}
$$
因此，
$$
\begin{aligned}
\sigma_{1,1, t}= & c_{1,1}+\phi_{1,1}^2 \sigma_{1,1, t-1}+2 \phi_{1,1} \phi_{2,1} \sigma_{1,2, t-1}+\phi_{2,1}^2 \sigma_{2,2, t-1} \
& +\theta_{1,1}^2 \varepsilon_{1, t-1}^2+2 \theta_{1,1} \theta_{2,1} \varepsilon_{1, t-1} \varepsilon_{2, t-1}+\theta_{2,1}^2 \varepsilon_{2, t-1}^2 \
\sigma_{1,2, t}= & c_{1,2}+\phi_{1,1} \phi_{1,2} \sigma_{1,1, t-1}+\left(\phi_{1,1} \phi_{2,2}+\phi_{1,2} \phi_{2,1}\right) \sigma_{1,2, t-1}+\phi_{2,1} \phi_{2,2} \sigma_{2,2, t-1} \
& +\theta_{1,1} \theta_{1,2} \varepsilon_{1, t-1}^2+\left(\theta_{1,1} \theta_{2,2}+\theta_{1,2} \theta_{2,1}\right) \varepsilon_{1, t-1} \varepsilon_{2, t-1}+\theta_{2,1} \theta_{2,2} \varepsilon_{2, t-1}^2, \
\sigma_{2,2, t}= & c_{2,2}+\phi_{1,2}^2 \sigma_{1,1, t-1}+2 \phi_{1,1} \phi_{2,2} \sigma_{1,2, t-1}+\phi_{2,2}^2 \sigma_{2,2, t-1} \
& +\theta_{1,2}^2 \varepsilon_{1, t-1}^2+2 \theta_{1,2} \theta_{2,2} \varepsilon_{1, t-1} \varepsilon_{2, t-1}+\theta_{2,1}^2 \varepsilon_{2, t-1}^2,
\end{aligned}
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Factor analysis

To build a factor model, we can either use the principle components method or maximum likelihood estimation method. However, for our data set, we have a vector series with a dimension $m=44$ and $n=30$. Its maximum likelihood equation cannot be properly solved. So, we can only use the principle component method. Thus, we will use PCA to estimate factors. In this analysis, we will follow Bai and Ng (2002), and select six factors, which is supported by the screeplot shown in Figure 5.5.

From the PCA analysis in Section 5.7.1, we will choose a factor model with six common factors,
$$
F_{1, t}=\operatorname{Comp} \cdot 1, F_{2, t}=\operatorname{Comp} \cdot 2, F_{3, t}=\operatorname{Comp} \cdot 3, F_{4, t}=\operatorname{Comp} \cdot 4, F_{5, t}=\operatorname{Comp} \cdot 5, F_{6, t}=\operatorname{Comp} \cdot 6
$$

based on the standardized variables. The corresponding factor loadings, communalities, and specific variables are given in Table 5.8. The six estimated factor scores are plotted in Figure 5.9.
So, we have our factor model for the STD data set,
$$
\underset{44 \times 1}{\mathbf{Z}t}=\underset{(44 \times 6)}{\mathbf{L}} \underset{(6 \times 1)}{\mathbf{F}_t}+\underset{(44 \times 1)}{\boldsymbol{\varepsilon}_t}, $$ where the element and specification of $\mathbf{L}, \mathbf{F}_t$, and $\boldsymbol{\varepsilon}_t$ are given in Table 5.8. As described in Section 5.6, once values or scores of factors are estimated, we can combine the lagged values of $\mathbf{Z}_t$ or other observed variables in the model and build a forecast equation for the $h$-step ahead forecast for $\mathbf{Z}{t+h}$, that is
$$
\hat{\mathbf{Z}}_t(h)=\hat{\mathbf{\Pi}} \hat{\mathbf{F}}_t+\hat{\boldsymbol{\alpha}} \mathbf{V}_t
$$
where $\mathbf{V}_t$ are lagged values of $\mathbf{Z}_t$ and/or other observed variables, and $\hat{\boldsymbol{\Pi}}$ and $\hat{\boldsymbol{\alpha}}$ are the parameter estimates based on $\mathbf{V}_t$ given in Eq. (5.57).

In this example, we will simply choose $\mathbf{V}t$ to be the first lagged value of $\mathbf{Z}_t$. Specifically, our forecasting equations will be $$ \hat{Z}{i, t}(h)=\hat{\boldsymbol{\beta}}i^{\prime} \hat{\mathbf{F}}_t+\hat{\alpha}_i \hat{Z}{i, t}(h-1), i=1, \ldots, 44,
$$
where $\hat{\boldsymbol{\beta}}i^{\prime}$ is the $i$ th row of $\hat{\mathbf{\Pi}}$, and $\hat{\alpha}_i$ is the $i$ th element of $\hat{\boldsymbol{\alpha}}$. For $i=1$, we have $$ \hat{Z}{1, t}(h)=\hat{\boldsymbol{\beta}}1^{\prime} \hat{\mathbf{F}}_t+\hat{\alpha}_1 \hat{Z}{1, t}(h-1), t=1, \ldots, 24,
$$
and for $h=1$, it becomes
$$
\hat{Z}{1,24}(1)=\hat{\boldsymbol{\beta}}_1^{\prime} \hat{\mathbf{F}}_t+\hat{\alpha}_1 Z{1, t} .
$$

统计代写|时间序列分析代写Time-Series Analysis代考|VEC and DVEC models

For any square matrix $\mathbf{A}$, let vech(A) be the vector formed by stacking the elements of each column on or below the diagonal of $\mathbf{A}$. Thus,
$$
\operatorname{vech}\left[\begin{array}{lll}
\sigma_{1,1} & \sigma_{1,2} & \sigma_{1,3} \
\sigma_{2,1} & \sigma_{2,2} & \sigma_{2,3} \
\sigma_{3,1} & \sigma_{3,2} & \sigma_{3,3}
\end{array}\right]=\left[\begin{array}{l}
\sigma_{1,1} \
\sigma_{2,1} \
\sigma_{3,1} \
\sigma_{2,2} \
\sigma_{3,2} \
\sigma_{3,3}
\end{array}\right]
$$
Then the most natural extension of Eq. (6.2) to the ( $m \times 1)$ vector case in Eq. (6.5) is the following vector VEC model proposed by Bollerslev, Engle, and Wooldridge (1988)
$$
\operatorname{vech}\left(\boldsymbol{\Sigma}t\right)=\boldsymbol{\Theta}_0+\sum{j=1}^p \boldsymbol{\Phi}j \operatorname{vech}\left(\boldsymbol{\Sigma}{t-j}\right)+\sum_{j=1}^q \boldsymbol{\Theta}j \operatorname{vech}\left(\boldsymbol{\varepsilon}{t-j} \boldsymbol{\varepsilon}_{t-j}^{\prime}\right) .
$$
where each element of $\boldsymbol{\Sigma}_t$ is a function of lagged values of $\boldsymbol{\Sigma}_t$ and the squared and cross products of lagged variables or errors, $\boldsymbol{\Theta}_0$ is a $[m(m+1) / 2] \times 1$ column vector, and each of the coefficient matrices, $\boldsymbol{\Phi}j$ and $\boldsymbol{\Theta}_j$, is a $[m(m+1) / 2] \times[m(m+1) / 2]$ matrix. The model in Eq. (6.6) is known as $\operatorname{VEC}(p, q)$ model, and shown by Engle and Kroner (1995) it is stationary if and only if all eigenvalues of $\sum{j=1}^p \boldsymbol{\Phi}j+\sum{j=1}^q \boldsymbol{\Theta}j$ are within the unit circle. For example, the VEC(1,1) model is given by $$ \operatorname{vech}\left(\boldsymbol{\Sigma}_t\right)=\boldsymbol{\Theta}_0+\boldsymbol{\Phi}_1 \operatorname{vech}\left(\boldsymbol{\Sigma}{t-1}\right)+\boldsymbol{\Theta}1 \operatorname{vech}\left(\boldsymbol{\varepsilon}{t-1} \boldsymbol{\varepsilon}_{t-1}^{\prime}\right) .
$$

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Factor analysis

建立因子模型可以采用主成分法，也可以采用极大似然估计法。然而，对于我们的数据集，我们有一个维度为$m=44$和$n=30$的向量序列。它的极大似然方程不能很好地求解。因此，我们只能采用主成分法。因此，我们将使用PCA来估计因子。在本分析中，我们将遵循Bai和Ng(2002)，选择六个因素，并由图5.5所示的屏幕图支持。

从5.7.1节的主成分分析中，我们将选择一个具有六个共同因素的因子模型，
$$
F_{1, t}=\operatorname{Comp} \cdot 1, F_{2, t}=\operatorname{Comp} \cdot 2, F_{3, t}=\operatorname{Comp} \cdot 3, F_{4, t}=\operatorname{Comp} \cdot 4, F_{5, t}=\operatorname{Comp} \cdot 5, F_{6, t}=\operatorname{Comp} \cdot 6
$$

基于标准化变量。表5.8给出了相应的因子负载、社区和特定变量。6个估计因子得分如图5.9所示。
我们有STD数据集的因子模型，
$$
\underset{44 \times 1}{\mathbf{Z}t}=\underset{(44 \times 6)}{\mathbf{L}} \underset{(6 \times 1)}{\mathbf{F}_t}+\underset{(44 \times 1)}{\boldsymbol{\varepsilon}_t}, $$其中$\mathbf{L}, \mathbf{F}_t$和$\boldsymbol{\varepsilon}_t$的元素和规格如表5.8所示。如第5.6节所述，一旦估算出因子的值或分数，我们可以结合模型中$\mathbf{Z}_t$或其他观测变量的滞后值，构建预测方程，对$\mathbf{Z}{t+h}$进行$h$步前预测，即
$$
\hat{\mathbf{Z}}_t(h)=\hat{\mathbf{\Pi}} \hat{\mathbf{F}}_t+\hat{\boldsymbol{\alpha}} \mathbf{V}_t
$$
其中$\mathbf{V}_t$为$\mathbf{Z}_t$和/或其他观测变量的滞后值，$\hat{\boldsymbol{\Pi}}$和$\hat{\boldsymbol{\alpha}}$为式(5.57)中基于$\mathbf{V}_t$的参数估计。

在本例中，我们将简单地选择$\mathbf{V}t$作为$\mathbf{Z}_t$的第一个滞后值。具体来说，我们的预测方程是$$ \hat{Z}{i, t}(h)=\hat{\boldsymbol{\beta}}i^{\prime} \hat{\mathbf{F}}_t+\hat{\alpha}_i \hat{Z}{i, t}(h-1), i=1, \ldots, 44,
$$
其中$\hat{\boldsymbol{\beta}}i^{\prime}$是$\hat{\mathbf{\Pi}}$的第$i$行，$\hat{\alpha}_i$是$\hat{\boldsymbol{\alpha}}$的第$i$个元素。对于$i=1$，我们有$$ \hat{Z}{1, t}(h)=\hat{\boldsymbol{\beta}}1^{\prime} \hat{\mathbf{F}}_t+\hat{\alpha}_1 \hat{Z}{1, t}(h-1), t=1, \ldots, 24,
$$
对于$h=1$，它变成
$$
\hat{Z}{1,24}(1)=\hat{\boldsymbol{\beta}}_1^{\prime} \hat{\mathbf{F}}_t+\hat{\alpha}_1 Z{1, t} .
$$

统计代写|时间序列分析代写Time-Series Analysis代考|VEC and DVEC models

对于任意方阵$\mathbf{A}$，设vech(A)是通过将每列的元素叠加在$\mathbf{A}$对角线上或下而形成的向量。因此，
$$
\operatorname{vech}\left[\begin{array}{lll}
\sigma_{1,1} & \sigma_{1,2} & \sigma_{1,3} \
\sigma_{2,1} & \sigma_{2,2} & \sigma_{2,3} \
\sigma_{3,1} & \sigma_{3,2} & \sigma_{3,3}
\end{array}\right]=\left[\begin{array}{l}
\sigma_{1,1} \
\sigma_{2,1} \
\sigma_{3,1} \
\sigma_{2,2} \
\sigma_{3,2} \
\sigma_{3,3}
\end{array}\right]
$$
那么，将Eq.(6.2)最自然地推广到Eq.(6.5)中的($m \times 1)$)向量情况就是Bollerslev, Engle和Wooldridge(1988)提出的向量VEC模型。
$$
\operatorname{vech}\left(\boldsymbol{\Sigma}t\right)=\boldsymbol{\Theta}0+\sum{j=1}^p \boldsymbol{\Phi}j \operatorname{vech}\left(\boldsymbol{\Sigma}{t-j}\right)+\sum{j=1}^q \boldsymbol{\Theta}j \operatorname{vech}\left(\boldsymbol{\varepsilon}{t-j} \boldsymbol{\varepsilon}{t-j}^{\prime}\right) . $$ 其中$\boldsymbol{\Sigma}_t$的每个元素是$\boldsymbol{\Sigma}_t$的滞后值以及滞后变量或误差的平方和叉乘的函数，$\boldsymbol{\Theta}_0$是一个$[m(m+1) / 2] \times 1$列向量，每个系数矩阵$\boldsymbol{\Phi}j$和$\boldsymbol{\Theta}_j$是一个$[m(m+1) / 2] \times[m(m+1) / 2]$矩阵。式(6.6)中的模型称为$\operatorname{VEC}(p, q)$模型，Engle和Kroner(1995)表明，当且仅当$\sum{j=1}^p \boldsymbol{\Phi}j+\sum{j=1}^q \boldsymbol{\Theta}j$的所有特征值都在单位圆内时，该模型是平稳的。例如，VEC(1,1)模型由 $$ \operatorname{vech}\left(\boldsymbol{\Sigma}_t\right)=\boldsymbol{\Theta}_0+\boldsymbol{\Phi}_1 \operatorname{vech}\left(\boldsymbol{\Sigma}{t-1}\right)+\boldsymbol{\Theta}1 \operatorname{vech}\left(\boldsymbol{\varepsilon}{t-1} \boldsymbol{\varepsilon}{t-1}^{\prime}\right) .
$$

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写

如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。

时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。

statistics-lab™ 为您的留学生涯保驾护航 在代写时间序列分析Time-Series Analysis方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写时间序列分析Time-Series Analysis代写方面经验极为丰富，各种代写时间序列分析Time-Series Analysis相关的作业也就用不着说。

统计代写|时间序列分析代写Time-Series Analysis代考|Factor models with observable factors

In many applications, we can consider a factor model, where the factors $\mathbf{F}_t$ are observable with factor scores. For example, in some economic and financial studies, a commonly used factor model is the one where some macroeconomic variables and market indices such as inflation rate, industrial production index, employment and unemployment rates, interest rate, S\&P 500 Index, Dow Jones Industrial Average (DJIA), and Consumer Price Index (CPI) can be used as factors, and they are observable.

When factors are observable, the factor loadings can be estimated using both $\mathbf{Z}t$ and $\mathbf{F}_t$. Specifically, let $\dot{\boldsymbol{Z}}_t=\left(\boldsymbol{Z}_t-\boldsymbol{\mu}\right)=\left(Z{1, t}-\mu_1, Z_{2, t}-\mu_2, \ldots, Z_{m, t}-\mu_m\right)^{\prime}=\left(\dot{Z}{1, t}, \dot{Z}{2, t}, \ldots, \dot{Z}_{m, t}\right)^{\prime}$, we can rewrite the model in Eqs. (5.2) or (5.38) as
$$
\underset{(1 \times m)}{\dot{\boldsymbol{Z}}_t^{\prime}}=\underset{(1 \times k)(k \times m)}{\boldsymbol{F}_t^{\prime} \boldsymbol{L}^{\prime}}+\underset{(1 \times m)}{\boldsymbol{\varepsilon}_t^{\prime}} .
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Principal components analysis (PCA)

As discussed in Chapter 4, PCA can be based on a covariance matrix or a correlation matrix. For a high dimensional case, the print out of a covariance or correlation matrix is tedious. Since the correlation matrix is simply the covariance matrix of standardized variables, instead of saying that PCA is based on a covariance matrix or a correlation matrix, we will simply specify whether PCA is based on unstandardized variables or standardized variables.
5.7.1.1 PCA for standardized $Z_{\mathrm{t}}$
We first do PCA for $\mathbf{Z}_t$ where the data set is standardized. The screeplot in Figure 5.5 shows that first six principal components can explain most of the variance so that first six components will be enough.

The first six components from sample PCA for the standardized variables is given in Table 5.6.

Let us look at the plot for the first and second components of these time series in Figure 5.6. It appears that states that are spatially close are also tending to be close to each other in the component plot. For examples: (i) NJ, NY, PA, DC; (ii) OH, KS, MS, MO; and (iii) CA, OR, NV, WA.

时间序列分析代考

统计代写|时间序列分析代写Time-Series Analysis代考|Factor models with observable factors

在许多应用程序中，我们可以考虑一个因子模型，其中因子$\mathbf{F}_t$可以通过因子得分观察到。例如，在一些经济和金融研究中，常用的因子模型是一些宏观经济变量和市场指数，如通货膨胀率、工业生产指数、就业和失业率、利率、标准普尔500指数、道琼斯工业平均指数(DJIA)、消费者价格指数(CPI)等可以作为因子，并且它们是可观察的。

当因子是可观察的，因子负荷可以使用$\mathbf{Z}t$和$\mathbf{F}t$来估计。具体来说，让$\dot{\boldsymbol{Z}}_t=\left(\boldsymbol{Z}_t-\boldsymbol{\mu}\right)=\left(Z{1, t}-\mu_1, Z{2, t}-\mu_2, \ldots, Z_{m, t}-\mu_m\right)^{\prime}=\left(\dot{Z}{1, t}, \dot{Z}{2, t}, \ldots, \dot{Z}_{m, t}\right)^{\prime}$，我们可以用方程重写模型。(5.2)或(5.38)为
$$
\underset{(1 \times m)}{\dot{\boldsymbol{Z}}_t^{\prime}}=\underset{(1 \times k)(k \times m)}{\boldsymbol{F}_t^{\prime} \boldsymbol{L}^{\prime}}+\underset{(1 \times m)}{\boldsymbol{\varepsilon}_t^{\prime}} .
$$

统计代写|时间序列分析代写Time-Series Analysis代考|Principal components analysis (PCA)

如第4章所讨论的，主成分分析可以基于协方差矩阵或相关矩阵。对于高维情况，协方差或相关矩阵的打印是繁琐的。由于相关矩阵就是标准化变量的协方差矩阵，所以我们不会说PCA是基于协方差矩阵还是相关矩阵，而是简单地说明PCA是基于非标准化变量还是标准化变量。
5.7.1.1标准化PCA $Z_{\mathrm{t}}$
我们首先对$\mathbf{Z}_t$进行PCA，其中数据集是标准化的。图5.5中的屏幕图显示，前六个主成分可以解释大部分方差，因此前六个成分就足够了。

表5.6给出了标准化变量样本PCA的前六个分量。

让我们看看图5.6中这些时间序列的第一个和第二个分量的图。似乎空间上接近的状态在分量图中也倾向于彼此接近。例如:(i) NJ, NY, PA, DC;(ii) OH, KS, MS, MO;(iii) CA, OR, NV, WA。

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写