Time Series with Long Memory
Sorozatcím: Advanced Texts in Econometrics;
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár GBP 61.00
-
27 541 Ft (26 230 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 10% (kb. 2 754 Ft)
- Kedvezményes ár 24 787 Ft (23 607 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
27 541 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó OUP Oxford
- Megjelenés dátuma 2003. június 26.
- ISBN 9780199257300
- Kötéstípus Puhakötés
- Terjedelem392 oldal
- Méret 234x157x21 mm
- Súly 560 g
- Nyelv angol
- Illusztrációk numerous tables and figures 0
Kategóriák
Rövid leírás:
This volume provides in a convenient format for students and researchers the core papers in long memory time series analysis. Long memory time series are characterized by a strong dependence between distant events. Various methods and their theoretical properties are discussed, with empirical applications. The methods constitute a very flexible approach to analysing time series data arising in economics, finance, and other fields.
TöbbHosszú leírás:
Long memory processes constitute a broad class of models for stationary and nonstationary time series data in economics, finance, and other fields. Their key feature is persistence, with high correlation between events that are remote in time. A single 'memory' parameter economically indexes this persistence, as part of a rich parametric or nonparametric structure for the process. Unit root processes can be covered, along with processes that are stationary but with stronger persistence than autoregressive moving averages, these latter being included in a broader class which describes both short memory and negative memory. Long memory processes have in recent years attracted considerable interest from both theoretical and empirical researchers in time series and econometrics.
This book of readings collects articles on a variety of topics in long memory time series including modelling and statistical inference for stationary processes, stochastic volatility models, nonstationary processes, and regression and fractional cointegration models. Some of the articles are highly theoretical, others contain a mix of theory and methods, and an effort has been made to include empirical applications of the main approaches covered. A review article introduces the other articles but also attempts a broader survey, traces the history of the subject, and includes a bibliography.
Tartalomjegyzék:
Introduction
Long Memory Time Series
On Large-Sample Estimation of the Mean of a Stationary Random Sequence
Long Memory Relationships and the Aggregation of Dynamic Models
Large Sample Properties of Parameter Estimates for Strongly Dependent Stationary Gaussian Time Series
Long-Term Memory in Stock Market Prices
The Estimation and Application of Long-Memory Time Series Models
Gaussian Semiparametric Estimation of Long-Range Dependence
Testing for Strong Serial Correlation and Dynamic Conditional Heteroskedasticity in Multiple Regression
On the Detection and Estimation of Long Memory in Stochastic Volatility
Efficient Tests of Nonstationary Hypotheses
Estimation of the Memory Parameter for Nonstationary or Noninvertible Fractionally Integrated Processes
Limit Theorems for Regression with Unequal and Dependent Errors
Time Series Regression with Long Range Dependence
Semiparametric Frequency-Domain Analysis of Fractional Cointegration
