Journal of Statistical Sciences

fa 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 Investigating the Improvement of Recurrent Forecasting of Singular Spectrum Analysis Method in Structural Time Series Models Using Data Filtration and Weighting Algorithm سریهای زمانی Time Series كاربردي و توسعه ای Applied 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. The Singular Spectrum Analysis (SSA) method is a powerful non-parametric method in the field of time series analysis and has been considered due to its features such as no need to stationarity assumptions or a limit on the number of collected observations. The main purpose of the SSA method is to decompose time series into interpretable components such as trend, oscillating component, and unstructured noise. In recent years, continuous efforts have been made by researchers in various fields of research to improve this method, especially in the field of time series prediction. In this paper, a new method for improving the prediction of singular spectrum analysis using Kalman filter algorithm in structural models is introduced. Then, the performance of this method and some generalized methods of SSA are compared with the basic SSA   using the root mean square error criterion. For this comparison, simulated data from structural models and real data of gas consumption in the UK have been used. The results of this study show that the newly introduced method is more accurate than other methods.   پیش بینی, فیلتر کالمن, فضای حالت, تحلیل مجموعه ی مقادیر تکین, پیش بینی بازگشتی Forecasting, Kalman Filter, Singular Spectrum Analysis, State Space Form, Recurrent Forecasting. 373 395 http://jss.irstat.ir/browse.php?a_code=A-10-106-3&slc_lang=fa&sid=1 Reza Zabihi Moghadam رضا ذبیحی مقدم rezazm63@gmail.com 3875623533 10031947532846007583 No Payame Noor University دانشگاه پیام نور Masoud Yarmohammadi مسعود یارمحمدی yarmohammadi.mas@gmail.com 1817999303 10031947532846007584 Yes Payame Noor University دانشگاه پیام نور Hossein Hassani حسین حسنی hassani.stat@gmail.com 0323049338 10031947532846007585 No University of Tehran دانشگاه تهران Parviz Nasiri پرویز نصیری pnasiri45@yahoo.com 6038477551 10031947532846007586 No Payame Noor University دانشگاه پیام نور