Aikasarja-analyysi 805324A 805679S
Laajuus: 5/6 op
Opetuskieli: suomi
Ajoitus: 2-5 vuosi
Osaamistavoitteet:
Kurssin jälkeen opiskelija osaa mallintaa aikasarjoja lineaaristen,
epälineaaristen ja parametrittomien mentelmien avulla sekä opiskelija
osaa valita vaihtoehtoisten mallien väliltä ja sovittaa malleja
tietokoneen
avulla. Lisäksi tavoitteena on, että opiskelija oppii lukemaan
aikasarja-analyysiä käsitteleviä tieteellisiä artikkeleita.
Sisältö:
1. Aikasarja-analyysin peruskäsitteistä kurssin sisältöön
kuuluu stationaarisuus,
autokorrelaatio, spektraalijakaumat ja periodogramma.
2. Lineaarisen aikasarja-analyysin osalta käydään läpi
ARMA-mallien avulla tapahtuva
selittäminen, ennustaminen, parametrien estimointi sekä mallidiagnostiikka.
3. Epälineaarisista aikasarjamalleista käydään läpi
kynnysmallit (threshold models)
ja heteroskedastiset aikasarjamallit (ARCH ja GARCH).
4 .Sisältöön kuuluu
epälineaarinen parametriton estimointi silottamisen avulla (aika-avaruus
silottaminen ja tila-avaruus silottaminen) sekä parametriton spektraalitiheyden
estimointi. Parametrittoman funktion estimoinnin menetelmistä
sisältöön kuuluu ydinestimointi, lokaali polynomiregressio
ja additiiviset mallit.
Toteutustavat: luennot ja vapaaehtoiset laskuharjoitukset, joissa opiskelijat
esittävät ratkaisujaan etukäteen annettuihin lasku- ja tietokonetehtäviin
Kohderyhmä: matemaattisten tieteiden opiskelijat, taloustieteiden opiskelijat
Esitietovaatimukset: todennäköisyyslaskennan perusteet
Yhteydet muihin opintoihin: ei ole
Oppimateriaali:
Suoritustavat: tentti
Arviointiasteikko: 1-5
Vastuuhenkilö: Jussi Klemelä
Työssä oppimista: ei
Lisätiedot:
kurssin kotisivu on http://cc.oulu.fi/~jklemela/timeseries/
kirjallisuutta:
Fan, J. ja Yao, Q. (2005). Nonlinear Time Series, Springer.
A. Harvey: Time Series Models, Philip Allan (2. painos)
H. Lutkepohl: Introduction to Multiple Time Series Analysis, Springer (2. painos)
J. Hamilton: Time Series, Princeton University Press The MIT Press.
Time Series Analysis 805324A 805679S
ECTS credits 5/6 ects
Language of instruction: Finnish
Timing: 2-5th year
Learning outcomes:
After finishing the course, a student can apply linear, nonlinear and
nonparametric modeling of time series. A student learns how to choose between
alternative time series models and can apply computer programs to fit time series
models. Furthermore, a student learns to read scientific articles about time
series.
Contents:
1. The course covers basic concepts of time series analysis: stationarity,
autocorrelation, spectral distribution and periodogram.
2. Linear time series analysis includes explanation, prediction,
parameter estimation and model diagnostics in ARMA models.
3. Nonlinear time series analysis includes threshold
models and heteroskedastic time series models (ARCH and GARCH).
4. Furthermore, nonlinear nonparametric smoothing is covered
(time space smoothing and state
space smoothing) and nonparametric estimation of spectral densities.
Nonparametric function estimation includes kernel estimation, local polynomial
regression and additive modeling.
Mode of delivery: face-to-face teaching
Learning activities and teaching methods:
besides lectures, there are voluntary exercises
Target group:
students of mathematical sciences, econometrics and finance students
Prerequisites and co-requisites: Introduction to statistics and probability
Recommended optional programme components:
Recommended or required reading:
Assesment methods and criteria: Exam.
Grading: 1-5.
Person responsible: Jussi Klemelä
Work placement: No
Other information:
home page of the course is http://cc.oulu.fi/~jklemela/timeseries/
Literature:
Fan, J. ja Yao, Q. (2005). Nonlinear Time Series, Springer.
A. Harvey: Time Series Models, Philip Allan (2. painos)
H. Lutkepohl: Introduction to Multiple Time Series Analysis, Springer (2. painos)
J. Hamilton: Time Series, Princeton University Press The MIT Press.