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。