روش تحلیل مجموعه ی مقادیر تکین (SSA( یک روش ناپارامتری قدرتمند درحوزه ی تحلیل سریهای زمانی بوده و به دلیل دارا بودن ویژگی‌هایی نظیر عدم نیاز به برقراری فروض مانایی و یا محدودیت در تعداد مشاهدات جمع آوری شده مورد توجه قرار گرفته است. هدف اصلی روش SSA تجزیه سریهای زمانی به اجزای تفسیرپذیر مانند روند، مولفه نوسانی و نوفه بدون ساختار است. در سالهای اخیر تلاش های مستمری از جانب محققان در حوزه های مختلف پژوهشی در جهت بهبود این روش خصوصاٌ در زمینه ی پیش بینی سری های زمانی صورت گرفته است. در این مقاله روش جدیدی برای بهبود پیش بینی روش SSA با استفاده از الگوریتم فیلتر کالمن در مدل های ساختاری معرفی می شود. سپس کارایی عملکرد این روش و چند روش تعمیم یافته SSA با روش SSA پایه با استفاده از معیار ریشه میانگین مربعات خطاها مورد مقایسه قرار می گیرد. برای انجام این مقایسه، از داده های شبیه سازی شده از مدل های ساختاری و نیز داده های واقعی مصرف گاز در انگستان استفاده شده است. نتایج به دست آمده از این بررسی نشان می دهد که روش معرفی شده جدید از دقت بیشتری نسبت به سایر روش ها برخوردار است.
Zabihi Moghadam R, Yarmohammadi M, Hassani H, Nasiri P. Investigating the Improvement of Recurrent Forecasting of Singular Spectrum Analysis Method in Structural Time Series Models Using Data Filtration and Weighting Algorithm. JSS 2023; 16 (2) :373-395 URL: http://jss.irstat.ir/article-1-791-fa.html
ذبیحی مقدم رضا، یارمحمدی مسعود، حسنی حسین، نصیری پرویز. بررسی بهبود پیش بینی بازگشتی روش تحلیل مجموعه ی مقادیر تکین در مدل های سری زمانی ساختاری با استفاده از پالایش داده ها و الگوریتم وزنی. مجله علوم آماری. 1401; 16 (2) :373-395
